ارزیابی نوسانات قیمت سهام با استفاده از شبیه سازی مونت کارلو- قسمت ۲

ارزیابی نوسانات قیمت سهام با استفاده از شبیه سازی مونت کارلو- قسمت ۲

دی و لوییس[۳۴] در سال ۱۹۹۲به 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 ۱۹۹۶، 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 ۱۹۹۰ تا ۱۹۹۴ 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 ۱۹۸۷ باشند بهترین عملکرد را دارد. حال آنکه مدل GJR-GARCH از عملکرد مناسبی در پیش بینی نوسانات برخوردار نمی باشد.
بریلسفورد و فف[۳۵] در سال ۱۹۹۶ 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[۳۶] در سال ۲۰۰۰ 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[۳۷] در سال ۲۰۰۴ 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[۳۸] در سال۲۰۰۶ 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 ۱۹۹۲ تا ۲۰۰۵ 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[۳۹] در سال ۲۰۰۶ 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 سال۲۰۰۶ انجام دادند، برای پیش بینی نوسانات شاخص از رویکرد ماشین بردار پشتیبان[۴۰] استفاده نمودند و نتایج را با روشهایی نظیرGARCHو EGARCH مقایسه نمودند.آنها داده های مربوط به ۷۵۰ روز شاخص S&P500 را از ۱۱/۱۰/۱۹۹۹ تا ۱۲/۱۰/۲۰۰۳ استخراج نمودند . ۵۰۰ داده را برای مجموعه آموزش و ۲۵۰ 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[۴۱] در سال ۲۰۰۷ 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[۴۲] در سال ۲۰۰۷ 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 ۱۰ روزه بهترین عملکرد را نشان داد به طوری که ضریب برخورد برای این مدل ترکیبی برای دوره های کوتاه مدت ۱۰ روزه به ۱۰۰% میرسید.
فلورس[۴۳] در سال ۲۰۰۸ 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[۴۴] در سال ۲۰۰۹ 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 ۲۳/۱۰/۱۹۸۷ تا ۲۲/۰۲/۲۰۰۸ ترکیب نمودند و به این نتیجه رسیدند که مدل ترکیبی پیش بینی بهتری نسبت به تک تک مدلها به تنهایی دارد.
در سال ۲۰۰۳، انگلبرچت[۴۵] 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[۴۶] در سال ۲۰۰۷ 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 ۹۰ ، ۹۵ و ۹۹ 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.
در سال ۲۰۰۹، عبد و بنیتو[۴۷] در پژوهش خود با عنوان ” مقایسه تفصیلی ارزش درمعرض ریسک درمبادلات بین المللی سهام” عملکرد دامنه وسیعی از روشها ( پارامتریک، شبیه سازی تاریخی، شبیه سازی مونت کارلو و تئوری مقدار کرانی) و چندین مدل ( میانگین متحرک نمایی، گارچ و گارچ نامتقارن) را برای محاسبه واریانس شرطی تحت توزیع های نرمال و t-student بازده ها، با استفاده از هشت شاخص سهام ،برشمرده و به منظور انتخاب بهترین مدل، یک دیدگاه انتخاب دومرحله ای را اجرا نموده است. محققان آزمون های پوشش شرطی، غیرشرطی و کوانتیل رگرسیون پویا را برای انتخاب زیر مجموعه ای از مدل ها با بهترین کارکرد به کارگرفته و سپس برحسب ارزش های تابع زیان درجه دوم، آنها را با یکدیگر موردمقایسه قرار داده اند. آزمون های دقت، دیدگاه پارامتریک و مدل تئوری مقدار کرانی را تحت یک مشخصه نوسان شرطی نامتقارن انتخاب کرده اند. درمرحله بعد،مقایسه آماری صورت گرفته بین توابع زیان،بهترین شیوه را مدل پارامتریک باواریانس شرطی برآورده شده توسط گارچ نامتقارن وتحت توزیع t معرفی نموده است.
هوانگ[۴۸] در سال ۲۰۱۰، تکنیک شبیه سازی مونت کارلو را جهت محاسبه ارزش درمعرض خطر مورد بررسی قرار داد. از روش براونی به منظور تولید نمونه تصادفی استفاده کرد و سپس ارزش درمعرض خطر بهینه را با لحاظ کردن ضریب تعدیل بدست آورد. درنهایت به بررسی عملکرد ارزش درمعرض خطر برآورد شده پرداخت. نتایج این تحقیق نشان می دهد که ارزش درمعرض خطر بهینه، سرمایه موردنیاز جهت پوشش خسارات را احتمال بالای، درست تخمین می زند.
بافی و همکاران در سال ۲۰۱۱ پژوهشی با عنوان ” روش کوانتیل مونت کارلو برای اندازه گیری ریسک اعتباری شدید” مدل جدید کوانتیل مونت کارلو را برای اندازهگیری ریسک حداکثر بخشهای مختلف صنعت اروپا هم قبل و هم در طی بحران مالی جهانی (GFC) بکار بردند. مدل (QMC) شامل بکارگیری برنامهی شبیه سازی مونت کارلو و تکنیکهای رگرسیون کوانتیل در مدل اعتباری ساختاریافته مرتون میباشد. دادههای پژوهش شامل ده سال از بازدههای روزانهی همه سهام یورو S&P میباشد که اطلاعات به دوره های GFC (2007-2009) و قبل از دورهی GFC (2000-2006) تفکیک شده است. این مطالعه تفاوت معناداری را در فاصلهی نکول بین کوانتیلها برای همهی صنایع بررسی شده نشان میدهد. همچنین نشان داده شده که ریسک نسبی صنایع به طور قابل توجهی تغییر می کند که نتیجه شرایط اقتصادی مختلف در دوره بحران مالی جهانی در مقایسه با قبل از بحران مالی جهانی میباشد. نتایج پژوهش افزایش معناداری را در ریسک اعتباری برای کلیهی بخشهای مورد استفاده قرار گرفته شده در این مدل در مقایسه با روش سنتی مرتون نشان می دهد.

این مطلب را هم بخوانید :
سایت مقالات فارسی - طراحی نوسان‌ساز Cross Coupled LC با نویز فتاثیر پارامتر های ژئوتکنیکی خاک بر طراحی پی ...

۲-۳٫ سری های زمانی

یک سری زمانی، رشته ای از مشاهدات مربوط به متغیرهای فیزیکی یا مالی را شامل می شود که به صورت
مقادیر گسسته …x3،x2،x1 و بر اساس یک ترتیب زمانی و با فواصل زمانی یکسان (Δt) نمایش داده می شود.
تحلیل یک سری زمانی با هدف مطالعه ساختار داخلی آن ( خودهمبستگی، روند، تغییرات فصلی و … ) صورت می گیرد تا از این طریق بتوان به درک بهتری از فرایند پویای تولید داده های سری زمانی دست یافت. در مجموع، تحلیل یک سری زمانی مشتمل بر فعالیت های زیر می باشد:

  • تعریف، تقسیم بندی و تشریح سری های زمانی.
  • مدل سازی بر اساس داده های سری زمانی جمع آوری شده.
  • پیش بینی مقادیرآتی.

برای پیش بینی مقادیر آتی یک سری زمانی روش های متنوعی وجود دارد که از نقطه نظر تئوریک سیستمی، آنها را می توان به صورت زیر تقسیم بندی کرد:

  • روشهای آزاد از مدل، همانند آنچه که در تحلیل هموار سازی نمایی و رگرسیون مورد استفاده قرار می گیرند.
  • روشهای مبتنی بر مدل، که به طور خاص در مدل سازی داده های سری زمانی و به منطور درک رفتار بلندمدت موجود در سیستم پویا مورد استفاده قرار می گیرند.

۲-۳-۱٫ روش های تحلیل سری های زمانی

در روش های سنتی، تحلیل سری های زمانی، به عنوان شاخه ای از آمار که عموما مرتبط با موضوع وابستگی های ساختاری موجود میان داده های مشاهده شده از پدیده های تصادفی و پارامترهای مربوطه می باشد تعریف می شود.
اساسا در این شیوه دو روش برای تحلیل سری های زمانی وجود دارد:

این مطلب را هم بخوانید :
تحقیق - نیازسنجی آموزشی کارگزاران حج، عمره و عتبات از دیدگاه مدیران ارشد و ...

  • روش مبتنی بر زمان که عمدتا مبتنی بر استفاده از تابع کوواریانس سری های زمانی می باشد.
  • روش مبتنی بر فراوانی که بر تحلیل تابع چگالی طیفی و تحلیل فوریر می باشد.

۲-۳-۲٫ ویژگی های سری های زمانی

ویژگی های عمده سری های زمانی عبارتند از : مانایی، خطی بودن، روند و تغییرات فصلی. اگرچه یک سری زمانی می تواند یکی یا بیش از یکی از این ویژگی ها را داشته باشد اما به منظور بررسی، تحلیل و پیش بینی مقادیر سری زمانی، رفتار هر یک از این اجزاء به طور جداگانه بررسی می شوند. ( پالیت و همکاران[۴۹]، ۲۰۰۵، ص۱۷-۱۸)
سری های زمانی را بسته به ویژگی داده های آنها می توان در دسته های زیر تقسیم بندی نمود:

  • مانا و نامانا
  • فصلی و غیرفصلی
  • خطی و غیرخطی
  • دانلود کامل پایان نامه در سایت pifo.ir موجود است.

مدیر سایت