بررسي حافظه بلندمدت و بكارگيري تجزيه موجك جهت بهبود عملكرد پيش بيني نوسانات بازار سهام

Long memory investigation and application of wavelet decomposition toimprove the performance of stock market volatility forecasting

شاخص هاي بازارهاي مالي، داراي تناوب و تلاطم بسيار زيادي بوده كه اين امر سبب شكل گيري نوع خاصي از نامانايي گشته كه به آن نامانايي كسري اطلاق مي گردد. اين ويژگي موجبات شكل گيري حافظه بلندمدت در اين نوع از سري هاي زماني را فراهم مي آورد. از اين رو، اين مطالعه ضمن بررسي وجود ويژگي حافظه بلندمدت در سري بازدهي بورس، به پيش بيني نوسانات اين شاخص به كمك مدل هاي مبتني بر حافظه بلندمدت و نيز تجزيه موجك، مي پردازد. جهت رسيدن به اين هدف، از داده هاي سري زماني روزانه شاخص قيمت و بازده نقدي بورس اوراق بهادار تهران، طي دوره زماني پنجم فروردين 1388 تا هجدهم ارديبهشت ماه 1391 استفاده شده است. بر پايه نتايج اين پژوهش، وجود ويژگي حافظه بلندمدت در اين سري مورد تاييد قرار مي گيرد و بر اين اساس بهترين مدل جهت تبيين رفتار نوسانات سري مذكور، مدل غيرخطي ARFIMA(1,2)-FIGARCH(BBM) مي باشد. همچنين، جهت پيش بيني نوسانات شاخص بازدهي بورس، از مدل مذكور بر اساس سطح داده ها و نيز داده هاي تجزيه شده، استفاده گرديد كه بر مبناي معيارهاي خطاي پيش بيني MSE و RMSE، مدل مبتني بر داده هاي تجزيه شده با تكنيك موجك از نتايج قابل قبول تري برخوردار بوده است.

Because of very large frequency and volatility in Financial markets Indicators, a certain type of non stationary is created that it refers to the fraction non stationary. This causes, provides Long memory in this type of time series. Hence, this study has in addition to examine the existence of the long memory in both mean and variance equations in the return series of Tehran stock exchange, Pays to forecasting the volatility of this index. For this purpose, the daily data from fifth Farvardin 1388 to eighteenth Ordibehesht 1391 is used. Our results confirm the existence of Long Memory in both mean and variance equations. However, among others, based on the information criteria and MSE, ARFIMA (1,2)-FIGARCH(BBM) model has been selected as the best specification to model and forecast the volatility of Tehran stock exchange’s return. As well, in order to Forecasting the volatility of this series, was used Combination of the above model with Level and decomposed data. The results show that, according to the forecasting error criteria (MSE and RMSE), the result of model’s based on decomposed data (with wavelet technique), more acceptable.