دانلود پایان نامه
رزاء نژاد و تیموری اصل در سال 1390 برای پیش بینی نوسانات بازده سهام در بورس تهران از سیستم های آشوبناک استفاده نمودند. هدف این پژوهشگران در واقع بررسی و تحلیل نیروها ومکانیزم هایی بوده است که باعث ایجاد تغییرات شگرف در قیمت سهام و ایجاد روند آشوبناک میشود. برای آزمون روند آشوبی در سری زمانی قیمتها، قیمتهای شرکت کابل باختر در دوره زمانی سه ماهه به عنوان نمونه انتخاب و با استفاده از آزمون DBS مورد آزمون قرار گرفته است. محققین با استناد به پیروی سری زمانی قیمت سهام این شرکت از روند آشوبناک در بازه زمانی خاص، نتیجه گرفته اند که میتوان از روش سیستم های آشوبناک برای کشف و پیگیری روند نوسانات قیمت سهام در بازار بورس تهران و پیشبینی آن استفاده کرد. البته نویسندگان، میزان تعمیم پذیری نتیجه این پژوهش به کل شرکت های جامعه آماری را بررسی ننموده اند.
در مطالعه کشاورز و صمدی تلاطم بازدهی در بازار سهام تهران را برآورد و پیش بینی میکند و مقایسه ای بین دقت روشها در تخمین ارزش در معرض خطر را با استفاده از مدلهای خانواده FIGARCH انجام میدهد. در این مطالعه با استفاده از روش گارچ بهترین مدل تخمین زده شده برای تلاطم ، با توزیع نرمال و- t استیودنت بدست آمده است و مدلهای FIGARCH را به خاطر وجود علائم حافظه بلندمدت برای پیش بینی بلندمدت استفاده میکند.
سعیدی در سال 1391 در پایان نامه خود با عنوان پیش بینی نوسانات بازده بازار با استفاده از مدلهای ترکیبی گارچ- شبکه عصبی سعی نمود با پیگیری ایده ترکیب روش های پیش بینی و با به کارگیری انعطاف و قدرت شبکه های عصبی در این مورد، بر دقت پیش بینی مدل های گروه ناهمسانی واریانس شرطی خودرگرسیو (گارچ) بیافزاید. در این پژوهش به مطالعه توان پیش بینی طیف وسیعی از مدل های ناهمسانی واریانس شرطی (G)ARCH طی یک دوره 126 ماهه در بین سالهای 1380 تا پایان 1390 بر روی بازده روزانه شاخص کل بورس تهران پرداخته شده است. نتایج نشان میدهد مدل های ترکیبی گارچ توان میانگین، گارچ نمایی میانگین و مدل GJR کمترین خطای پیش بینی را داشته اند. بر اساس نتایج کلی حاصل از این پژوهش، نوسان پیش بینی شده توسط مدلهای ترکیبی نسبت به خروجی خام مدل های پایه ای گارچ، از دقت بالاتری برخوردار است. همچنین مدل های ترکیبی گارچ توانی نامتقارن، گارچ- میانگین نمایی و گارچ- میانگین توانی بطور معنی داری خطای پیش بینی کمتری نسبت به مدلهای پایه ای خود داشته اند.
شاهویری وهمکاران در سال 1389 مدل پارامتریک خودرگرسیونی واریانس ناهمسانی شرطی تعمیم یافته و رایج ترین روش شبیه سازی با نام مونت کارلو را در اندازه گیری ارزش درمعرض خطر پورتفولیوی ارز، به کارگرفته اند و نتایج آنها را بااستفاده از آزمون بازخورد نرخ شکست، مورد مقایسه و ارزیابی قرار داده اند. داده های مورد استفاده دربرگیرنده قیمت های نقدی ارز به صورت روزانه برای EUR/IRR, GBP/IRR,CHF/IRR, CAD/IRR, AUD/IRR از تاریخ 01/01/2001 تا 01/08/2009 میلادی می باشدکه از پایگاه داده های خدمات ارز استخراج شده است. نتایج حاصل از آزمون مذکور نشان داده که هردومدل توانایی کنترل ریسک سبد مورد مطالعه را دارا می باشند، اما تاملی دقیق تر در نتایج بدست آمده مشخص نموده که مدل گارچ ساده بافرض توزیع t از صلاحیت بیشتری در پیش بینی ارزش درمعرض خطر سبدارز و همچنین کنترل ریسک سبد مالی مذکور طی دوره مورد بررسی برخوردار بوده است.
رجبی پورمیبدی و همکاران درسال 1389، درپژوهشی باعنوان ” کاربست VAR و انتخاب پرتفوی بهینه با استفاده از شبیه سازی مونت کارلو دربورس اوراق بهادار تهران” بدنبال راهکاری مناسب برای مدیریت ریسک سرمایه گذاری در بورس اوراق بهادار و گزینش پرتفوی بهینه بوده اند. در این پژوهش ارزش درمعرض ریسک چند سهم با استفاده از تکنیک شبیه سازی مونت کارلو محاسبه شده است. در پایان با بکارگیری مدلی ترکیبی حجم بهینه سرمایه گذاری درهریک از سهام معین شده است. داده های مورد استفاده، بازدهی های ماهانه شرکت های خودروسازی در طول دوره ابتدای سال 1377 تا انتهای 1386 می باشد.
صمدی در سال 1391 در پژوهشی به بررسی مقایسه ای ارزش در معرض خطر با استفاده از روش شبیه سازی مونت کارلوی تعدیل نشده و تعدیل شده پرداخته است. داده های این پژوهش مشتمل بر 5000 مقادیر خسارت روزانه از شعب مختلف یک شرکت بیمه است و فرض برآن است که منبع پرداخت خسارت، دارایی های شرکت بوده و نوسانات مقادیر خسارت در داخل و میان هر شعبه از یکدیگر مستقل بوده و از حرکت براونی تبعیت می کند. بازدهی روش شبیه سازی مونت کارلو و VAR ساده و نوع تعدیل شده این دو با استفاده از آزمون بازخور با درنظرگرفتن نسبت درستنمایی مورد بررسی قرار گرفته است. با درنظر مقادیر حاصل از مقایسه میان VAR تعدیل شده و اولیه نتایج نشان می دهد که ارزش در معرض خطر اولیه، میزان ریسک را کمتر از مقدار واقعی آن برآورد می کند و این درحالی است که ارزش درمعرض خطر تعدیل شده این مقدار را با اطمینان 99% درست تخمین می زند.
2-2-2. تحقیقات خارجی
پژوهش دایمسون و مارش در سال 1990 یک نمونه قابل توجه است که در مقاله آنها مدل های ساده بر مدل های پیچیده غالب شدند. آنها چند نوع مختلف از مدل های پیش بینی نوسان بازار سرمایه را برای داده های روزانه بازده بازار سرمایه انگلستان در دوره 1955-1989 بکار بردند و به این نتیجه رسیدند که مدل هموارسازی نمایی و مدل رگرسیون ساده پیش بینی های بهتری ارائه می دهند.
پاگان و شوورت در سال 1990 در پژوهشی با عنوان مدل های جایگزین برای نوسانات سهام مشروط، توانایی مدل های GARCH ، EGARCH ، مدل انتقال رژیم مارکوف و سه مدل ناپارامتریک را در پیش بینی نوسان ماهانه بازده سهام آمریکا با تمرکز بر داده ها طی سالهای 1834 تا 1925 با هم مقایسه نمودند و به این نتیجه رسیدند که مدل های EGARCH و GARCH به ترتیب پیش بینی های خوبی ارائه می دهند و دیگر مدل ها پیش بینی های خیلی ضعیفی از خود نشان می دهند.
هو و تسوکالاس در سال 1991 در مقاله خود برای پیش بینی نوسان پذیری روش های میانگین ساده، روش حداقل مربعات و شبکه عصبی را ترکیب و اعلام نمودند که میتوان با بازآموزی نتایج توسط ANN ، قدرت پیش بینی را افزایش داد. بنابراین خروجی مدلها، در صورتی که به ارتقا عملکرد ANN کمک کند باید مجددا مورد بررسی قرار گیرند.
دی و لوییس در سال 1992به بررسی عملکرد پیش بینی خارج از نمونه مدل های GARCH و EGARCH در پیش بینی نوسان شاخص سهام پرداخته اند و پیش بینی این مدل ها را با مدل نوسان ضمنی مورد مقایسه قرار داده اند. نتایج اصلی مطالعه آنها حکایت از آن دارد که در داخل نمونه، مدل نوسان ضمنی حاوی اطلاعاتی اضافی است که در مدل های EGARCHو GARCH وجود ندارد. اما در خارج از نمونه، نتایج حاکی از آن است که پیش بینی نوسان کار ساده ای نیست و نمی توان به نتیجه ای کلی در این خصوص رسید.
فرانسیس و دیک در سال 1996، در پژوهشی با عنوان پیش بینی نوسانات بازار سهام با استفاده از مدل های گارچ، قابلیت مدل های ARCH ، QGARCH ، GJR-GARCH و گشت تصادفی را در فاصله سال های 1990 تا 1994 در پیش بینی نوسانات پنج شاخص هفتگی بازار سهام ( شاخص های DAX ، EOE ، MAD ، MIL ، VEC ) مورد بررسی قرار دادند. نتایج این بررسی نشان می دهد که استفاده از مدل QGARCH در شرایطی که مشاهدات مورد بررسی فاقد رویدادهای حدی از قبیل سقوط بازار سهام در سال 1987 باشند بهترین عملکرد را دارد. حال آنکه مدل GJR-GARCH از عملکرد مناسبی در پیش بینی نوسانات برخوردار نمی باشد.
بریلسفورد و فف در سال 1996 به ارزیابی تکنیک های پیش بینی نوسان پرداختند و دریافتند که برای پیش بینی نوسانات ماهانه شاخص سهام استرالیا، مدل های GJR و GARCH به مقدار ناچیزی نسبت به مدل های ساده تر مختلف برتری دارند.
میتنیک و پائوللا در سال 2000 به منظور مدل سازی نوسانات بازده نرخ های ارز کشورهای آسیای شرقی ( هند، ژاپن، کره جنوبی، مالزی، سنگاپور، تایوان و تایلند) در مقابل دلار آمریکا از مدل های AR(1) (بدون ساختار GARCH )، GARCH(1,1) AR(1)- و APARCH(1,1) AR(1)- استفاده کردند و هر مدل را بر روی سه توزیع نرمال، t-استیودنت و t3 مورد آزمون قرار دادند. آنها همچنین از معیارهای درستی برازش اندرسون و دارلینگ (AD) و آکائیک تصحیح شده (AICC) برای انتخاب مدل استفاده کردند. نتایج این بررسی نشان داد که به استثناء ژاپن و مالزی که استفاده از مدل GARCH در مورد انها عملکرد بهتری را نشان داده است، در سایر موارد، مدل APARCH بهترین عملکرد را داشته است. همچنین در تمامی موارد به استثناء ژاپن و تایلند استفاده از توزیع t3 در مقایسه با توزیع t-استیودنت نتایج بهتری را نشان داده است. در این تحقیق همچنین قابلیت مدل های فوق در پیش بینی مقادیر VaR یک روزه بررسی گردید و نتایج حاصله نشان داد که مدل APARCH با توزیع t3 در مقایسه با سایر مدل ها بهترین عملکرد را نشان می دهد.
مپا در سال 2004 با استفاده از پنج معیار ارزیابی عملکرد پیش بینی، عملکرد مدلهای ARCH(q) ، GARCH(p,q) ، EGARCH(p,q) ، TARCH(p,q) و PARCH(p,q) را در مرتبه های متفاوت در پیش بینی نوسان بازده نرخ ارز ( دلار به پزو) در کشور فیلیپین مورد بررسی قرار داد. وی در این تحقیق از توزیع های نرمال، t-استیودنت و GED استفاده کرد. نتایج این تحقیق نشان داد که اگرچه در مجموع بر اساس معیارهای ارزیابی عملکرد پیش بینی، مدلهای TARCH(2,2)-T و PARCH(2,2)-T به ترتیب از بهترین عملکرد در مقایسه با سایر مدلهای مورد بررسی برخوردار می باشند ، ولی تنها تمرکز بر روی قابلیت ها و ویژگیهای این مدلها در پیش بینی نوسانات آتی کافی نمی باشد، بلکه توجه به کل توزیع نیز حائز اهمیت می باشد. چرا که توزیع نرمال در مقایسه با دو توزیع دیگر از عملکرد پایین تری برخوردار می باشد.
آلبرگ و همکاران در سال2006 به تخمین نوسان بازار سهام با استفاده از مدل های GARCH نامتقارن پرداختند . مدل های GARCH نامتقارن را در مورد شاخص های بازار سهام تل آویو در فاصله سال های 1992 تا 2005 تخمین زدند. آنها نشان دادند که از میان مدل های مورد بررسی، مدل EGARCH بهترین مدل پیش بینی کننده شاخص های بازار سهام تل آویو می باشد.
پان و ژانگ در سال 2006 از مدل های میانگین متحرک، میانگین تاریخی، گشت تصادفی، GARCH ، GJR ، EGARCH ، APARCH برای پیش بینی دو شاخص شانگهای و شنزن در بازار سهام چین استفاده نمود. در این تحقیق سه نوع توزیع مورد بررسی قرار گرفتند و نتایج نشان داد که در مورد بازار بورس شنزن، مدل میانگین متحرک مدل مناسبی برای پیش بینی نوسان روزانه می باشد. در مورد شاخص شانگهای، مدلهای GARCH-T ، APARCH-N و مدلهای میانگین متحرک بسته به شرایط متفاوت از عملکرد خوبی برخوردار می باشند. در مورد بازار بورس شنزن، مدلهای نامتقارن از قبیل GJR و EGARCHعملکرد بهتری را در مقایسه با سایر انواع مدلهای GARCH نشان می دهند اما این تفاوت چندان محسوس نمی باشد. مدلهای مورد استفاده بر روی توزیع t-استیودنت چوله با تفاوت کمی بهتر از سایر توزیع ها عمل میکنند. در مورد بازار بورس شانگهای شواهدی مبنی بر اینکه مدل نامتقارن یا مدلهای مورد استفاده بر روی توزیع t-استیودنت چوله عملکرد بهتری دارند یافت نگردید. اگرچه نمی توان مدلی را که برای تمامی شرایط بهترین عملکرد را داشته باشد پیدا کرد اما به نظر می رسد که مدل گشت تصادفی صرفنظر از سری هایی که تخمین زده می شوند و همچنین صرفنظر از تابع زیان مورد استفاده در ارزیابی پیش بینی، عملکرد ضعیف تری را در مقایسه با سایر مدلهای مورد استفاده نشان میدهد.
درپژوهش دیگری که گاوریشچاکا و بانرجی در سال2006 انجام دادند، برای پیش بینی نوسانات شاخص از رویکرد ماشین بردار پشتیبان استفاده نمودند و نتایج را با روشهایی نظیرGARCHو EGARCH مقایسه نمودند.آنها داده های مربوط به 750 روز شاخص S&P500 را از 11/10/1999 تا 12/10/2003 استخراج نمودند . 500 داده را برای مجموعه آموزش و 250 داده را برای مجموعه آزمون انتخاب نمودند. همچنین آنها از چند تابع کرنل مختلف استفاده کردند و دریافتند که کرنلRBF جهت پیش بینی آنها بهترین گزینه است. تحقیق آنها نشان داد که رویکرد ماشین بردار پشتیبان به طور کامل بر مدلهای GARCHو EGARCH برتری دارد.
حسن و همکاران در سال 2007 از مدلی چندگانه متشکل از مدل مارکوف (HMM) ، ANN و الگوریتمهای ژنتیک (GA) برای پیش بینی و تجزیه و تحلیل رفتار بازار استفاده نمودند. آنها در این پژوهش با استفاده از شبکه عصبی مصنوعی قیمت روزانه سهام را به مجموعه های مستقلی از مقادیر تبدیل و از آن به عنوان ورودی به مدل HMM استفاده کردند. سپس برای بهینه سازی پارامترهای HMM از الگوریتم ژنتیک استفاده و از HMM آموزش داده شده برای شناسایی الگوهای تاریخی قیمت سهام استفاده نمودند. این مدل برای سهام تعدادی از شرکت های حوزه IT مورد آزمون قرار گرفت و اثبات نمود که مدلهای چند گانه بهتر از مدل های شبیه سازی میباشند.
رو در سال 2007 مدل کلاسیک ANN، مدل میانگین موزون متحرک نمایی (EWMA)، GARCH و EGARCH را به همراه ANN برای پیش بینی نوسانات شاخص قیمت سهام بکار برد. مدل NN-EGARCH در بازه های زمانی 10 روزه بهترین عملکرد را نشان داد به طوری که ضریب برخورد برای این مدل ترکیبی برای دوره های کوتاه مدت 10 روزه به 100% میرسید.
فلورس در سال 2008 به مدل سازی نوسان با استفاده از مدل های گارچ پرداخت. با استفاده از مدل هایGARCH(1,1) ، PGARCH(1,1) ، EGARCH(1,1) ، AGARCH(1,1) ، CGARCH(1,1) ، M-GARCH(1,1) واریانس بازده روزانه شاخص های CMA و TASE-100 را که به ترتیب متعلق به مصر و اسرائیل می باشند مدل سازی نمودند. نتایج این تحقیق نشان داد که نوسان در این بازارها با ویژگی های مدل های مورد بررسی مطابقت دارد. ضمن آن که رابطه معنی داری میان ریسک و بازده در این بازارها مشاهده نگردید.
بیلدیریکی و ارسن در سال 2009 بهبود پیش بینی های مدل های خانواده گارچ را با شبکه های عصبی مصنوعی ارزیابی نمودند. شبکه های عصبی را با مدلهای ناهمسانی واریانس شرطی APGARCH ،PGARCH ،TGARCH EGARCH، GARCH و … برای پیش بینی نوسان بازده روزانه بورس اوراق بهادار استانبول در دوره 23/10/1987 تا 22/02/2008 ترکیب نمودند و به این نتیجه رسیدند که مدل ترکیبی پیش بینی بهتری نسبت به تک تک مدلها به تنهایی دارد.
در سال 2003، انگلبرچت در پایان نامه خود با عنوان ” مقایسه روشهای ارزش درمعرض ریسک برای پورتفولیوی سواپ نرخ بهره و قراردادهای نرخ سلف” به اجرای شیوه های مختلف محاسبه ارزش درمعرض ریسک شامل مدل دلتا-نرمال، شبیه سازی تاریخی کلاسیک، شبیه سازی تاریخی با بهنگام سازی نوسان و شبیه سازی مونت کارلو و مقایسه آنها برروی سبد دربرگیرنده مشتقات نرخ بهره، پیمان های نرخ سلف و سواپ نرخ بهره پرداخته است. روشها با برآورد ارزش در معرض ریسک برای سبد مفروض درطول دوره زمانی دوساله و مقایسه تخمین ها با زیان های واقعی موردآزمون قرار گرفته اند. نتایج حاصل، شبیه سازی تاریخی را نسبت به سایر مدل های مورد آزمون دارای بدترین کارکرد معرفی و شبیه سازی با بهنگام سازی نوسان را بهبودی بر روی شبیه سازی تاریخی کلاسیک عنوان نموده است. همچنین محقق در برخورد با سبدهای بزرگ استفاده از شبیه سازی مونت کارلو را به دلیل صرفه جویی در زمان بهتر از سایر شیوه ها تشخیص داده است.
بوهدالووا در سال 2007 درپژوهش خود باعنوان ” مقایسه روشهای ارزش درمعرض ریسک برای اندازه گیری ریسک مالی” برخی از روشهایی که از دیدگاه کلاسیک و همچنین دیدگاه کاپولا برای محاسبه ارزش درمعرض ریسک درنظر گرفته شده را به همراه بیان مزایا و معایب آنها، ارائه داده است. وی به تشریح و مقایسه مدل های دلتا-نرمال، شبیه سازی مونت کارلو و شبیه سازی تاریخی پرداخته است. شیوه های اندازه گیری ارزش درمعرض ریسک نامبرده در سطوح اطمینان 90 ، 95 و 99 درصد برروی سبدهای فرضی اوراق قرضه دولت با سررسید یک ماهه برآورد گردیده و مقادیر حاصل از آنها باهم مقایسه شده اند. نتایج نشان دهنده تفاوت قابل توجه ارزش درمعرض ریسک های به دست آمده از سه روش مختلف بوده است.