مقايسه مدل هاي گارچ با معرفي گارچ تحقق يافته نامتقارن فازي

Comparing GARCH Models by Introducing Fuzzy Asymmetric Realized GARCH

برآورد واريانس شرطي داراي كاربرد فراوان براي انعكاس ريسك و تلاطم در پژوهش هاي اقتصادي بويژه اقتصادمالي، اقتصاداجتماعي و اقتصادسياسي است. بنابراين، دستيابي به برآوردهاي دقيق واريانس شرطي از اهميت ويژه اي برخوردار است. اخيرا" هانسن واريانس شرطي يا تلاطم تحقق يافته را به صورت همزمان مدلسازي نموده كه به مدل گارچ تحقق يافته معروف شده است. هدف اساسي در اين مقاله معرفي مدل گارچ تحقق يافته نا متقارن با ضريب فازي است تا بتوان سرانجام با انعطاف پذيري بيشتر واريانس شرطي دقيقتري را برآورد نمود. براي اين منظور، واريانس شرطي برآورد شده از مدل گارچ تحقق يافته نامتقارن با ضريب فازي با مدل هاي مرسوم GARCH، EGARCH و GJR-GARCH و همچنين مدل RGARCH هانسن با دو معيار مختلف از تلاطم تحقق يافته شاخص كل بورس تهران مقايسه شده است. براي ارزيابي خوبي برازش از مقدار تابع درست نمايي استفاده شده است. با توجه به اين معيار، مدل پيشنهادي گارچ تحقق يافته با ضريب فازي از خوبي برازش بالاتري بر داده هاي درون نمونه اي در مقايسه با ساير مدل ها برخوردار بوده اند. براي ارزيابي دقت پيش بيني واريانس شرطي نيز از روش پنجره غلتان با دو تابع زيان MSE و QLIKE استفاده شده است. نتايج حاكي از آن است كه مدل گارچ تحقق يافته با ضريب فازي براساس هردو تابع زيان بهترين عملكرد را داشته است.

Estimation of conditional variance has lots of application reflecting economic, especially financial economics, social economics and political economics’ risk and volatility research. Therefore, obtaining accurate estimation of the conditional variance is especially important. Recently Hansen has modeled the conditional variance and realized volatility simultaneously which is known as Realized GARCH model. In this paper, we introduce a fuzzy coefficient in the Realized GARCH, and then compare this model with GARCH, EGARCH and GJR-GARCH methods as well as the RGARCH model with 2 different criteria of the realized volatility concerning Tehran Stock Exchange Index. The log likelihood value used to evaluate in-sample fitting. According to this criterion, our proposed model has a better fit than the rest of the models. To evaluate the accuracy of prediction of conditional variance, the rolling window method used with two MSE and QLIKE loss functions. The results indicate that our model, the Realized GARCH with fuzzy coefficient has the best performance with both loss functions.