بررسی خطای پیش‌بینی نوسان شاخص‌های صنعت با استفاده از مدل‎های حرکت برآونی هندسی و گارچ

• پاکیزه، کامران (1389)، «مدل‌سازی، پیش‌بینی تلاطم و بررسی رابطه آن با بازده در بورس اوراق بهادار تهران و بورس‌های بین‌الملل»، پایان‌نامه تحصیلی برای اخذ مدرک دکتری در رشته حسابداری، دانشگاه علامه طباطبایی
• پیمانی، مسلم (1394)، «مدل‌سازی شاخص کل بورس اوراق بهادار تهران با استفاده از معادلات دیفرانسیل تصادفی»، رساله دکتری رشته مدیریت مالی، دانشگاه علامه طباطبایی
• خلیلی، ی (1383)، «پیش‌بینی واریانس سهام در گروه شرکت‌های سرمایه‌گذار با استفاده از مدل گارچ»، پایان‌نامه دوره کارشناسی‌ارشد، دانشکده مدیریت دانشگاه تهران
• راعی، رضا؛ سعیدی، علی (1384)، کتاب «مبانی مهندسی مالی و مدیریت ریسک»، نشر سمت
• سجاد، رسول؛ هدایتی، شراره (1392)، «مقایسه مدل تالطم تصادفی و مدل‌های گارچ، از طریق محاسبه ارزش در معرض خطر»، نشریه مهندسی مالی و مدیریت اوراق بهادار (مدیریت پرتفوی)، شماره 15
• سلیمانی صابر، سعید (1395)، «بررسی عملکرد مدل‌های تلاطم تصادفی و گارچ در توضیح‌دهی تلاطم بازار سهام»، پایان‌نامه کارشناسی ارشد رشته اقتصاد، دانشگاه علامه طباطبایی
• خالوزاده، ح؛ خاکی صدیق، ع (1384)، «مدل سازی و پیش بینی قیمت سهام با استفاده از معادلات دیفرانسیل تصادفی»، مجله تحقیقات اقتصادی، شماره 69
• عباسی‌نژاد، حسین؛ محمدی، شاپور (1393)، «مقایسه نوسان‌پذیری چندمتغیره گارچ، دیفرانسیل تصادفی، در براورد رابطه بین نرخ ارز و شاخص سهام»، نشریه دانش سرمایه گذاری، شماره 11
• فتاحی، شهرام (1395)، «پیش‌بینی تلاطم بازده سهام در بورس اوراق بهادار تهران با استفاده از روش MCMC و الگوریتم متروپلیس هستینگ»، نشریه دانش مالی تحلیل اوراق بهادار (مطالعات مالی)، شماره 32
• نصیری، ساسان (1394)، «پیش‌بینی ارزش در معرض ریسک با استفاده از تحلیل گشتاورهای مرتبه بالا برای فرآیندهای گارچ»، پایان‌نامه کارشناسی ارشد رشته مدیریت مالی، دانشگاه علامه طباطبایی
• نظیفی نایینی، مینو؛ صمدی، سعید (1392)، «تحلیل عوامل موثر بر نوسان های قیمت طلا با استفاده‏از مدل های رگرسیون سوئیچینگ مارکف و شبکه عصبی»، مجله پژوهش های اقتصاد پولی، مالی، شماره 26
• Akgiray, V. (1989), “Conditional Heteroscedasticity in Time Series of Stock Returns: Evidence and Forecasts”, vol. 62, pp. 55 – 80.
• Alizadeh, S; Brandt. M.W; Diebold F.X. (2002), “Range-Based Estimation of Stochastic Volatility”, The Journal of Finance, Vol. 57, 1047 – 1091.
• Andersen, T. G; Belzoni, L )2008), “Realized Volatility”, Working Paper, Federal Reserve Bank of Chicago, No 2008-14.
• Andersen, T, G; Bollerslev, T; Diebold, F, X.; Labys, P (2003), “Modeling and Forecasting Realized Volatility” Econometrica Vol. 71, 579 – 625.
• Andersen, T.G; Bollerslev, T (1998), “Answering the skeptics: yes, standard volatility models do provide accurate forecasts”, International Economic Review 39, 885 – 905.
• Andersen, T.G; Bollerslev, T (1997), “Heterogeneous information arrivals and return volatility dynamics: Uncovering the long – run in high frequency returns”, Journal of Finance 52, 975 – 1005.
• Baillie, R.T.; Bollerslev, T.; Mikkelsen, H.O. (1996), “Fractionally Integrated Generalized AutoRegressive Conditional Heteroskedasticity. Journal of Econometrics”, Vol. 74, pp. 3 – 30.
• Becker, R; Clements, A. E.; White, S.I. (2007), “Does implied volatility provide any information beyond that captured in model-based volatility forecasts?” Journal of Banking & Finance, Vol: 31 No: 8, p. 2535 – 2549.
• Bollerslev, T. 1986, “Generalized Autoregressive Conditional Heteroskedasticity”, Journal of Econometrics, Vol. 31, No. 3, pp. 307 – 328.
• Black, F. (1976), “Studies of Stock Price Volatility Changes”, Proceedings of the Business and Economics Section of the American Statistical Association, pp. 177 – 181.
• Brooks, C. (2008), “Introductory Econometrics for Finance”, Second Edition, Cambridge University Press, New York.
• Campbell J. Y.; Lo A. W.; MacKinlay A. C. (1997), “The Econometrics of Financial Markets”, Princeton University Press.
• Chou, R.; Engle, R.F.; Kane, A. (1992), “Measuring Risk Aversion from Excess Returns on a Stock Index”. Journal of Econometrics, Vol. 52, p. 201 – 224
• Christie, A. (1982), “The stochastic behavior of common stock variances: Value, leverage and interest rate effects”, Journal of Financial Economics Vol. 10, pp. 407 – 432.
• Hansen P; Lunde A (2005), “A forecast comparison of volatility models: does anything beat a GARCH (1,1)?”, Applied Econometrics Vol. 20, p. 873 – 889.
• Engle, R; Patton, A. (2001), “What good is a volatility model?”, Research paper, Quantitative Finance, Vol. 1, pp. 237 – 245.
• Engle, R; NG V.K. (1993), “Measuring and Testing the Impact of News on Volatility”, The Journal of Finance, Vol. 48, pp. 1749 – 1778.
• Engle, R. F.; Lilien, D. M.; Robins, R. (1987), “Estimating Time Varying Risk Premia in the Term Structure: The Arch-M Model”. Econometrica, Vol. 55(2), pp. 391 – 407.
• Engle, R. F. (1982), “Autoregressive conditional heteroscedasticity with estimates of the variance of United Kingdom inflation,” Econometrica, Vol. 50, p. 987 – 1007.
• Hansen P; Lunde A (2001), “A Comparison of Volatility Models: Does Anything Beat a GARCH (1,1)?”, Universtiy of Wharton.
• Figlweski, S. (1997), “Forecasting volatility”, Financial Markets, Institutions & Instruments, Vol. 6, No. 1, p. 1-88.
• Glosten, L. R.; Jagannathan, R.; Runkle D. E. (1993), “On the Relation between the Expected Value and the Volatility of the Nominal Excess Return on Stocks”. Vol. 48, pp. 1779 – 1801.
• Gustafsson, R; Quinones, A (2014), “Volatility Forecasting on the Stockholm Stock

Exchange”, JONKOPING International Business School

• Granger, C.W; Poon, S-H. (2003), “Forecasting financial market volatility: a review”, Journal of Economic Literature 41, 478-539.
• Gregoriou, N, G. (2008), “Encyclopedia of Alternative Investments” CRC Press, Taylor & Francis Group, Boca Raton, Florida.
• Hull, J.C. (2007), “Options, Futures and Other Derivatives” 6^th edition, Prentice Hall.
• Jarque, C. M; Bera, A. K. (1987), “An efficient large-sample test for normality of observations and regression residuals”, International Sltatistical Review,Vol 55, No 2, pp.163-172.
• Ladokhin, S (2009), “FORECASTING VOLATILITY IN THE STOCK MARKET”, VU University Amsterdam.
• Mandelbrot, B (1963), “The Variation of Certain Speculative Prices”, The Journal of Business, Vol. 36, No. 4, p. 394-419.
• Martens, M; van Dijk, D (2007), “Measuring volatility with the realized range”, Journal of Econometrics, 138, 181-207.
• Meng, Y; Rafikova, N (2006), “FORECASTING VOLATILITY: EVIDENCE FROM THE SWEDISH STOCK MARKET”, Stockholm School of Economics.
• Merton, R. C. (1980), “On estimating the expected return on the market: An exploratory investigation”, Journal of Financial Economics, Vol. 8, pp. 323-361.
• Montgomery, D.C.; Johnson, L.A.; Gardiner, J.S. (1990), “Forecasting and Time Series Analysis”, 2^nd Edition, McGraw-Hill.
• Nelson, D.B. (1991), “Conditional heteroskedasticity in asset returns: a new approach”, Econometrica Vol. 59, pp. 347 – 370.
• Oksendal, B (2003), “Stochastic Differential Equations. An Introduction with Applications”, 6^th edition, Springer-Verlag (Universitext).
• Pagan, Adrian R; Schwert, William G (1990), “Alternative models for conditional stock volatility”, Journal of Econometrics 45, 267-290
• Parkinson, M (1980), extreme value method for estimating the variance of the rate of return”, Journal of Business 53, 61–65.
• S; Shackleton, M.B; Taylor, S; Xu X. (2004), “Forecasting currency volatility: A comparison of implied volatilities and AR (FI) MA models”. Journal of Banking & Finance, 28, 2541-2563.
• Schwert, G.W. (1989), “Why Does Stock Volatility Change Over Time?”. Journal of Finance Vol. 44, pp. 1115 – 1153.
• Taylor S. (1986), “Modelling financial time series”, John Wiley & Sons, Chichester.
• Vodenska – Chitkushev, Irena (2009), “INTERDISCIPLINARY APPROACHES TO UNDERSTANDING A ND FORECASTING VOLATILITY”. Dissertation, Boston university
• Yu, J. 2002 Forecasting Volatility in the New Zealand Stock Market, Applied Finan. Econ. 12, pp. 193-202.