پیش‌بینی نوسانات بورس اوراق بهادار تهران با استفاده از مدل خودرگرسیو شرطی مولفه‌ای مبتنی بر دامنه (ccarr)

هدف از انجام این پژوهش دستیابی به یک مدل مطلوب جهت پیش‌بینی نوسانات شاخص بورس اوراق بهادار تهران است. در این مقاله مدل ccarr برای پیش‌بینی نوسانات پیشنهاد شده است و نتایج تخمین آن با مدل‌های معروف garch، cgarchو carr مورد مقایسه قرار گرفته است.برای اجرای این مدل از روش تخمین حداکثردرست‌نمایی بهره گرفته شده است که اجرای مدل را بسیار راحت می‌کند و همچنین شهودی‌تر است. مدلgarch و cgarch از بازدهی قیمتی و مدلcarr و ccarr از دامنه قیمتی برای پیش‌بینی نوسانات استفاده می‌کنند. مدل ccarr و cgarch، هر دو مولفه بلندمدت (روند) و کوتاه مدت (گذرا) را در نظر می‌گیرند و قابلیت ضبط حافظه بلندمدت نوسانات را دارند. برای تخمین مدل از داده‌های روزانه شاخص‌کل بورس اوراق بهادار تهران شامل کمترین ‌قیمت، بیشترین ‌قیمت و قیمت پایانی طی سال‏های 1388 تا 1400 استفاده شده است. مطابق نتایج، مدل‌های مبتنی بر دامنه نسبت به مدل‌های مبتنی بربازدهی، و مدل‌های دومولفه‌ای نسبت به مدل‌های تک‌مولفه‌ای پیش‌بینی‌های درون‌نمونه‌ای و برون‌نمونه‌ای دقیق‌تری داشته‌اند. به طورکلی مدل ccarr نسبت به سایر مدل‌ها پیش‌بینی‌های دقیق تری داشته است.

forecasting volatility with component conditional autoregressive range model

the purpose of this research is to achieve a suitable model for forecasting volatility of a broad market index. in this paper the ccarr model is proposed for forecasting volatility and its estimation results are compared with the popular garch, cgarch and carr models. the model is intuitive and convenient to implement by using the maximum likelihood estimation method. garch and cgarch models use price returns and carr and ccarr models use price ranges to predict volatility. ccarr and cgarch models assume that the price range comprises both a long run (trend) component and a short run (transitory) component, which has the capacity to capture the long memory property of volatility. daily data of the tehran stock exchange index from 2009 to 2022 including high, low and close prices are used. the results show that range-based models such as carr and ccarr models fit the data better than return-based models. also two-component models fit the data better than one-component models. in general, the ccarr model generates more accurate out of sample volatility forecasts than the popular garch, component garch and carr models.