پیش بینی نوسانات بازده با استفاده از مدل ترکیبی تبدیلات موجک گسسته و گارچ

این پژوهش تلاشی در جهت معرفی یک الگوی مطلوب جهت مدل‌سازی و پیش بینی نوسانات فرآیندهای مالی است. برای مدل کردن ناپایداری موجود در فرآیندهای مالی از ترکیب مدل ناهمگونی واریانس شرطی اتورگرسیو تعمیم یافته (garch) و تبدیل موجک گسسته بهره برده‌ایم. در این مقاله، مدلی برای پیش بینی نوسانات بازده شاخص کل قیمت بورس اوراق بهادار ارائه شده و داده‌های شاخص قیمت بورس اوراق بهادار بررسی شده است.داده‌ها از 1/1/1390 تا 29/12/1396 به صورت روزانه از سایت databank.mefaجمع آوری گشته، پس از آماده‌سازی داده‌ها، دو مدل ترکیبی armaarch و dwtgarch سری داده‌ها برازش شده است. نتایج نشان داد که مدل ترکیبی dwtgarch نسبت به مدل ترکیبی armaarch برای پیش بینی از عملکرد و دقت بهتری برخوردار است. مدل dwtgarch با غلبه بر نقص مدل‌های خانواده garch که نمیتوانند ویژگی‌های جزیی یک فرآیند را در نظرگیرد و مدل کنند؛ و حفظ مزایای استفاده از مدل‌های خانوادهgarch در تشریح نوسانات، می‌تواند نتایج پیش بینی را به طور قابل توجهی بهبود ببخشد، و تا حد زیادی واریانس شرطی را کاهش دهد.

Forecasting of return Fluctuations using by combining discrete wavelet transform and GARCH model

This research is an attempt to introduce a desirable model for modeling and forecasting the fluctuations of financial processes. For modelling the fluctuations of financial processes, we have used the combination of the GARCH model and the discrete wavelet transform. In this thesis, we are presented a model for forecasting fluctuations of returns of exchange price index. Stock price index data has been reviewed. The data was collected from the site https://databank.mefa.ir/data from 1/1/1390 to 29/12/1396. Due to the importance of return on financial data, the returns series is calculated and applied for modeling. After preparing data, the two combination models namely ARMAARCH and DWTGARCH are fitted to the data series. The results show that the DWTGARCH model has better performance than the ARMAARCH model. The DWTGARCH model can significantly improve prediction outcomes and reduce the conditional variance by overcoming the defects of the GARCH family models that can not model the partial features of a process and maintain the benefits of using models The GARCH family describes the fluctuations.