مدل‌سازي و پيش‌بيني نوسانات بازار سهام با استفاده از مدل انتقالي گارچ ماركف

Estimating and Forecasting the Volatility of Tehran Stock Market, Using Markov Regime Switching GARCH Models

در اين مطالعه، قدرت برازش و قدرت پيش‌بيني مجموعه‌اي از مدل‌هاي انتقالي گارچ ماركف SW-GARCH، با استفاده از داده هاي بازار بورس اوراق بهادار تهران، طي سال‌هاي 90-1376 مقايسه مي‌شود. در اين مقاله، از مدل انتقالي گارچ ماركف براي پيش‌بيني نوسانات در بازار بورس اوراق بهادار تهران در افق‌هاي پيش‌بيني كوتاه مدت شامل يك‌روزه و پنج‌روزه (هفته‌اي) و دوره بلندمدت شامل ده‌روزه و 22روزه استفاده شده است. علت استفاده از اين مدل‌ها آن است كه براي همه شاخص‌هاي مدل، امكان چرخش يا انتقال بين دو رژيم پرنوسان و كم‌نوسان وجود دارد. به همين دليل، هم توزيع گوسي (نرمال) و هم دو توزيع دنباله پهن (t-استيودنت و GED) براي خطاها در نظر گرفته شده است. درجه آزادي نيز بين دو رژيم نوسان تغييرپذير تعبيه شد تا چولگي احتمالي وابسته به زمان نيز در نظر گرفته شود. نتايج تجربي نشان مي‌دهد براي پيش‌بيني نوسانات بازار سهام ايران، عملكرد مدل‌هاي SW-GARCH با توزيع خطاي t و با درجه آزادي متغير بين دو رژيم، بسيار بهتر از مدل‌هاي گارچ معمولي است. حتي در برازش و بررسي‌هاي داخل نمونه‌اي نيز اين نوع از مدل‌هاي انتقالي ماركف، رتبه اول را در زمينه قدرت برازش به خود اختصاص دادند.

In this study we compare a set of Markov Regime-Switching GARCH models in terms of their ability to forecast the Tehran stock market volatility at different time intervals. SW-GARCH models have been used to avoid the excessive persistence that usually found in GARCH models. In SW-GARCH models all parameters are allowed to switch between a low or high volatility regimes. Both Gaussian and fat-tailed conditional distributions are assumed for the residuals, and the degrees of freedom can also be state-dependent to capture possible time-varying kurtosis. Using stationary bootstrap and re-sampling, the forecasting performances of the competing models are evaluated by statistical loss functions. The empirical analysis demonstrates that SW-GARCH models outperform all standard GARCH models in forecasting volatility. Also, the SW-GARCH model with the t distribution for errors has the best performance in fitting a model and estimation.