پيشبيني نوسانات بازارهاي آتيهاي نفت با استفاده از مدلهاي گارچ و مدلهاي تغيير رژيم ماركوف گارچ

Forecasting Petroleum Futures Markets Volatility with GARCH and Markov Regime-Switching GARCH Models

دراين مقاله مجموعه اي از مدلهاي مختلف GARCH استاندارد با گروهي از مدلهاي تغيير رژيم ماركوف گارچ MRS-GARCH)) براساس توانايي آنها در پيش بيني نوسانات بازارهاي آتي هاي نفت در افق هاي زماني يك روزه تا يك ماهه مقايسه مي‌شود. به منظور صحه گذاشتن بر ثبات بيش از اندازه اي كه معمولاً در مدلهاي GARCH يافت مي شود و بيانگر پيش بيني هاي نوسانات بسيار بالا وبسيار نامحسوس مي باشد، پارامترهاي مدلهاي MRS-GARCH كه بين رژيم با نوسان بالا و پايين جابه جا مي شوند، مورد تجزيه و تحليل قرار مي-گيرند. براي پسماندها دو توزيع شرطي دنباله پهن و گوسي فرض مي شود، ودرجه آزادي مي تواند براي ثبت احتمال كشيدگي متغير به زمان وابسته به حالت باشد. عملكرد پيش بيني مدلهاي رقيب توسط توابع زيان آماري مورد ارزيابي قرار مي گيرد. براساس اين توابع، آزمون هاي برابري توانايي پيش بيني نوع ديبولد- ماريانو و برتري توانايي پيش بيني، مانند بررسي واقعيت وايت و تست SPA هانسن بكار مي رود. تجزيه تحليل هاي تجربي نشان مي دهد كه طبق مجموعه گسترده اي از توابع زيان آماري مدلهاي ‌‌‌MRS-GARCH عملكرد بهتري نسبت به مدلهاي GARCH استاندارد در پيش بيني نوسانات در افق هاي زماني‌كوتاهتر دارند و در افق هاي زماني طولاني تر مدلهاي GARCH نامتقارن استاندارد بهتر عمل مي‌كنند. براساس اين آزمون ها وجود مدل بهتر از MRS-GARCH -t رد مي‌شود.

In this paper we compare a set of different standard GARCH models with a group of Markov Regime-Switching GARCH (MRS-GARCH) in terms of their ability to forecast the petroleum futures markets volatility at horizons that range from one day to one month. To take into account the excessive persistence usually found in GARCH models that implies too smooth and too high volatility forecasts, MRS-GARCH models, where the parameters are allowed to switch between a low and a high volatility regime, are analyzed. Both gaussian and fat-tailed conditional distributions for the residuals are assumed, and the degrees of freedom can also be state-dependent to capture possible time-varying kurtosis. The forecasting performances of the competing models are evaluated with statistical loss functions. Under statistical losses, we use both tests of equal predictive ability of the Diebold-Mariano-type and test of superior predictive ability, such as White??s Reality Check and Hansen??s SPA test. The empirical analysis demonstrates that MRS-GARCH models do really outperform all standard GARCH models in forecasting volatility at shorter horizons according to a broad set of statistical loss functions. At longer horizons standard asymmetric GARCH models fare the best. All this tests reject the presence of a better model than the MRS-GARCH-t in this research.