پيش بيني نوسانات بازده بازار با استفاده از مدل هاي تركيبي گارچ ـ شبكه عصبي

Forecasting the Market Return Volatility with GARCH - Artificial Neural Networks Hybrid Models

در اين پژوهش به مطالعه توان پيش بيني طيف وسيعي از مدل هاي ناهمساني واريانس شرطي (G)ARCH طي يك دوره 126 ماهه بر روي بازده روزانه شاخص كل بورس تهران (TEDPIX) پرداخته شده است. نتايج بررسي اين مدل ها تاييد كننده وجود سه ويژگي نوسان خوشه اي، عدم تقارن و نيز غير خطي بودن، در سري زماني بازده مي باشد. سپس با هدف افزايش قدرت پيش بيني، اين مدل ها با شبكه هاي عصبي مصنوعي تركيب شده اند و نتايج حاصل از طرق گوناگوني مورد آزمون قرار گرفته است. اين نتايج نشان مي دهد مدل هاي تركيبي گارچ توان ـ ميانگين، گارچ نمايي ـ ميانگين و مدل GJR، كمترين خطاي پيش بيني را داشته اند. بررسي تغييرات جهت نوسان نشان مي دهد مدل هاي تركيبي همسويي بيشتري با نوسان واقعي نسبت به مدل هاي پايه اي گارچ دارند. همچنين مدل هاي تركيبي گارچ تواني نامتقارن، گارچ- ميانگين نمايي و گارچ- ميانگين تواني بطور معني داري خطاي پيش بيني كمتري نسبت به مدل هاي پايه اي خود داشته اند.

This study analyzes and compares a general class of Autoregressive Conditional Heteroscedasticity (G) ARCH models during 126 month in Tehran Stock Exchange index (TEDPIX). The results of models confirmed the clustering volatility, asymmetric relation and nonlinearity property in market returns time series. Then the (G) ARCH models enhanced by artificial neural networks. Results suggest that ANN-PGARCH-M, ANN-EGARCH-M and ANN-GJR-GARCH have the least forecasting errors and the volatility direction comparison demonstrates that hybrid models are more excellent than basic (G) ARCH models. According to the results, ANN-APGARCH, ANN-EGARCH-M and ANN-PGARCH-M provide significant improvement in forecasting.