پیش بینی تلاطم بازده سهام در بورس اوراق بهادار تهران با استفاده از روش شبیه‌سازی MCMC و الگوریتم متروپلیس هستینگ

نوع مقاله: مقاله پژوهشی

نویسندگان

1 دانشیار دانشگاه رازی، دانشکده ی علوم اجتماعی، مدیر گروه اقتصاد

2 استادیار دانشگاه رازی، دانشکده‌ی علوم اجتماعی، گروه اقتصاد

3 دانشجوی دکترای دانشگاه تبریز. دانشگاه تبریز، دانشکده اقتصاد

چکیده

سرمایه­ گذاری­های بازار سهام همواره دارای ریسک بوده است زیرا بازده سهام دارای تلاطم است. تحقیقاتی که تاکنون در رابطه با مدلسازی وپیش ­بینی تلاطم بازار سهام صورت گرفته عمدتاً با استفاده از روش حداکثر راستنمایی بوده و توجه کمی به روش تخمین بیزی صورت گرفته است. این مقاله پارامترهای مدلGARCH  را با استفاده از روش بیزی و تکنیک شبیه­سازی MCMC تخمین می­زند و سپس نتایج بدست آمده را با روش حداکثر راستنمایی مقایسه می­کند. برای این منظور از شاخص بورس اوراق بهادار تهران در بازه­ ی 7/01/1378 تا 31/01/1393 استفاده شده است.نتایج تحقیق نشان می‌دهد که در نمونه های کوچک روش حداکثر راستنمایی کارایی کمتری نسبت به روش بیزی دارد اما همانطور که حجم نمونه افزایش می­یابد کارایی و دقت پیش­بینی در هردو روش همگرا می­شود، به طوریکه تابع توزیع پارامترها در نمونه‌های کوچک به صورت مجانبی نامتقارن است و با افزایش تعداد داده­ها به سمت توزیع مجانبی متقارن میل می­کند.در پایان، نتایج پیش­بینی نوسانات تایید کننده ­ی ادعای فوق است.

کلیدواژه‌ها


*      کشاورزحداد، غلامعلی و بابایی، آرش(1387)" بررسی تلاطم بازده سهام در بورس تهران با استفاده از داده­های پانل و مدل GARCH" پایان­نامه­ی کارشناسی ارشد، دانشگاه صنعتی شریف، دانشکده­ی مدیریت و اقتصاد.

*      نظیفی نایینی، مینو؛ فتاحی، شهرام و صمدی، سعید(1391)." مدلسازی و پیش­بینی نوسانات بازار سهام با استفاده از مدل انتقالی گارچ مارکف"،تحقیقات مدلسازی اقتصادی، سال سوم، شماره9.

*      پاکیزه، کامران(1389)." تلاطم و بازده (شواهدی از بورس اوراق بهادار تهران و بورس های بین الملل)"، تحقیقات مدلسازی اقتصادی، دوره­ی 1، شماره­ی 2

*      Ardia.D(2006)."Bayesian Estimation of the GARCH(1,1) Model with Normal Innovation". University of Fribourg Switzerland

*      Ardia D (2008). "Financial Risk Management with Bayesian Estimation of GARCH Models: Theory and Applications", volume 612 of Lecture Notes in Economics and Mathematical Systems. Springer-Verlag, Berlin, Germany. ISBN 978-3-540-78656-6. doi:10.1007/978-3-540-78657-3.

*      Ardia D, Hoogerheide LF, van Dijk HK (2008). ‘AdMit’: Adaptive Mixture of Studentt Distributions for Efficient Simulation in R. URL http://CRAN.R-project.org/ package=AdMit.

*      Ardia D, Hoogerheide LF (2009). "Bayesian Estimation of the GARCH(1,1) Model with Student-t Innovations in R" MPRA working paper. URL http://mpra.ub. uni-muenchen.de/17414/.

*      Ardia D, Hoogerheide LF, van Dijk HK (2009). "Adaptive Mixture of Student-t Distributions as a Flexible Candidate Distribution for Efficient Simulation: The R Package AdMit" Journal of Statistical Software, 29(3), 1–32. URL http://www. jstatsoft.org/v29/i03/.

*      Ausin MC, Galeano P (2007). "Bayesian Estimation of the Gaussian Mixture GARCH Model." Computational Statistics & Data Analysis, 51(5), 2636–2652. doi:10.1016/ j.csda.2006.01.006.

*      Bollerslev T, Chou RY, Kroner K (1992). "ARCH Modeling in Finance: A Review of the Theory and Empirical Evidence." Journal of Econometrics, 52(1–2), 5–59. doi:10.1016/0304-4076(92)90064-X.

*      Engle RF (1982). "Autoregressive Conditional Heteroscedasticity with Estimates of the Variance of United Kingdom Inflation." Econometrica, 50(4), 987–1008

*      Gelfand, A.E and Smith, A.F.M(1990)" Sampling - Based approaches to calculating marginal density", Journal of the American Statistical Associated, 85, 398-409

*      Geman, S. and Geman, D.(1984), " Stochastic relaxation, Gibbs distributions and the Bayesian restoration of images", Institute of electrical and electronics engineers

*      Geweke JF (1989). "Bayesian Inference in Econometric Models Using Monte Carlo Integration" Econometrica, 57(6), 1317–1339. Reprinted in: Bayesian Inference, G. C. Box and N. Polson (Eds.), Edward Elgar Publishing,.

*      Green. William H." Econometrics Analysis" seventh edition, New York University

*      Lee SW, Hansen BE (1994). "Asymptotic Theory for the GARCH(1,1) Quasi Maximum Likelihood Estimator." Econometric Theory, 10(1), 29–52.

*      Smith, A.F.M and Robert, G.O.(1993) "Bayesian computation via the Gibbs sampler and related Markov chain Monte Carlo method (with discussion)", Journal  of Royal Statistical society, Series B, 55, 3-23

*      TeruoNakatsuma,(1998) "A markov- chain sampling algorithm for GARCH models. Studies in Nonlinear Dynamics and Econometrics", 3(2):107–117