عنوان فارسی:دانلود مقاله کاربرد مدل‌های GARCH در مدل ساز 

دانلود مقاله کاربرد مدل‌های GARCH در مدل ساز – الزویر ۲۰۱۸:برای یک بازار سهام سالم، نوسان نرمال، در فعالسازی بازار بسیار مفید است. از طریق تجزیه و تحلیل‌های قبلی می‌دانیم که مشکلات بسیاری در بازار اوراق بهادار وجود دارد. بنابراین، بر اساس وضعیت واقعی، توصیه‌های زیر را در جنبه‌ی خط‌ مشی ارائه می‌دهیم. ۱) بهبود سیستم افشاگری اطلاعات. بازار سهام چین دارای ویژگی آشکار خوشه‌بندی نوسان است، عوامل غیر منطقی بسیاری در معاملات وجود دارند و قیمت بازار به شدت در نوسان است.

مقاله انگلیسی+ترجمه فارسی

فهرست مطالب

نکات برجسته:
۱- پیشگفتار
۱-۱- مقدمه
۱-۲- هدف تحقیق
۱-۳- ساختار مقاله
۲- مرور تحقیقات
۲-۱- بررسی تحقیقات جهانی
۲-۲- بررسی تحقیقات در چین
۲-۳- بررسی اجمالی بورس اوراق بهادار شانگهای
۲-۴- خلاصه‌ فصل
۳- روش‌ شناسی
۳-۱- مدل ARCH
۳-۲- مدل GARCH متقارن
۳-۳- مدل ARCH-M
۳-۴- مدل GARCH نامتقارن
۴- تجزیه و تحلیل تجربی
۴-۱- تجزیه و تحلیل آمار توصیفی
۴-۲- پردازش داده‌ها
۴-۳- آزمون ریشه‌ی واحد
۴-۴- آزمون تاثیر ARCH
انتخاب مرتبه‌ی تاخیر و تعیین معادله‌ی میانگین
آزمون خود-رگرسیون باقیمانده‌ها
آزمون ARCH-LM
۴-۵- تخمین مدل (GARCH(1,1
۴-۶- تخمین مدل (TARCH(1,1
۴-۷- تخمین مدل (EGARCH(1,1
۴-۸- نتیجه‌ پیش‌بینی
۴-۹- نتایج مقایسه‌ با مدل ARIMA
۵- خلاصه
۶- نتیجه‌گیری‌ها و پیشنهادات
۶-۱- نتیجه‌گیری‌ها
۶-۲- تجزیه و تحلیل دلایل
۶-۳- پیشنهادات
منابع

چکیده

بازار سهام به طور پیوسته با عدم قطعیت‌ها تغییر می‌کند. انتشار سریع اطلاعات و جریان سریع سرمایه منجر به نوسانات قیمت سهام خواهد شد و قیمت نوساندار روی بازده بازار اثر خواهد گذاشت. این، یک فرایند تاثیر متقابل و هدایت متقابل است. بازار سهام چین، که مربوط به بازار در حال ظهوری است، از همان ابتدا نوساندار بوده است و اغلب، بالا و پایین‌های رادیکالی را نشان می‌دهد. این مقاله، شاخص کامپوزیت SSE را به عنوان موضوع پژوهش، از طریق کاربرد مدل‌های نوع GARCH برای انجام تجزیه و تحلیل تجربی، با برجسته‌سازی ویژگی‌های این شاخص از چشم‌اندازی اقتصادی انتخاب می‌کند. و بر اساس وضعیت موجود نوسان شاخص کامپوزیت SSE، پیشنهاداتی را ارائه می‌دهد.

نتیجه نشان می‌دهد که از چشم‌انداز سری‌های زمانی، شاخص کامپوزیت SSE، ویژگی‌های مهم زمان-متغییر و خوشه‌بندی را پردازش می‌کند. توزیع سری این شاخص، لپتوکورتوزیس با اثرات قابل توجه ARCH و GARCH را ارائه می‌دهد. علاوه‌براین، با مقایسه تناسب و پیش‌بینی عملکرد GARCH(1,1) (متقارن) و TARCH(1,1) و EGARCH(1,1) می‌توان نتیجه گرفت که EGARCH(1,1) دارای عملکرد بهتری نسبه به بقیه است. علاوه‌براین، بازار اوراق بهادار چین باید ساختار سیستم خود را تقویت کند، دخالت بیش از حد دولت را کاهش دهد و از فلسفه سرمایه‌گذاری منطقی طرفداری کند.

Abstract

The stock market is constantly changing with uncertainties. Rapid dissemination of information and fast capital flow will lead to fluctuations of stock price, and the undulating price will affect the market in return. This is a process of mutual influence and mutual conduction. China’s stock market, which pertains to an emerging market, has been acutely volatile since the very beginning, and often appear radical ups and downs. This paper selects the SSE Composite Index as research object, through the application of GARCH type models to conduct empirical analysis, carving the features of this index from an econometric perspective. And on basis of the status quo of the volatility of SSE Composite Index, it offers some suggestions.

The result shows that from the time series point of view, the SSE Composite Index possesses significant properties of time-varying and clustering. Series distribution of it presents leptokurtosis with significant ARCH and GARCH effects. Moreover, by comparing the fitting and forecast performance of GARCH (1, 1) (symmetric) and TARCH (1, 1) and EGARCH (1, 1) (asymmetric), it can be concluded that EGARCH (1, 1) outperforms the others. Besides, China’s securities market should strengthen its system construction, reduce excessive government intervention and advocate rational investment philosophy.

نمونه ترجمه مقاله:

1. پیشگفتار

1.1. مقدمه

از زمانی که بورس اوراق شانگهای به طور رسمی در سال 1990 تاسیس شد، بازار سهام چین، طی 27 سال توسعه یافته است. در حالی که در حال حاضر هنوز هیچ سطح بالایی از نرمالسازی در زمینه‌ی نظارت یا نهاد، و با نوسان شدید، وجود ندارد. بازار ناپایدار سهام، سرمایه‌گذاری‌های غیر علمی، و رخداد گاه به گاه سرمایه‌گذاری بدخیم، کل بازار را با ریسک بالا مواجه می‌کنند و چالش‌هایی را برای نهادها و افراد ایجاد می‌کنند [1]. بسیاری از سرمایه‌گذاران نهادی خارجی که توسط CSRC (کمیسیون نظارتی اوراق بهادار چین[1]) تایید شده‌اند به صفوف سرمایه‌گذاران پیوسته‌اند. با توجه به عدم قطعیت و جریان‌های پر سرعت سرمایه‌ی بین‌المللی، محیط مالی و سرمایه‌گذاری به طور فزاینده‌ای پیچیده شده است. بازار اوراق بهادار چین، دوره‌ای از فرصت‌ها و ریسک‌ها را تجربه می‌کند [2]. در این مورد، توصیف دقیق نحوه‌ی نوسان قیمت سهام و چگونگی تعیین نرخ بازده آینده‌ی بازار سهام تبدیل به مساله‌ی داغی در میان محققان و جامعه‌ی سرمایه‌گذاری شده است. بنابراین، مطالعه‌ی نوسان دارای ارزش عملی و اهمیت نظری قابل توجهی است.

مدل اقتصادسنجی سنتی (مانند تجزیه و تحلیل رگرسیون و تجزیه و تحلیل سری‌های زمانی) به طور کلی فرض می‌کند که واریانس در توضیح نوسان بازده بازار سهام بدون تغییر باقی می‌ماند. در حالی که تعداد زیادی از مطالعات تجربی نشان می‌دهند که چنین فرضی جامع نیست و نمی‌تواند به طور دقیقی داده‌های مالی را به صورت عینی توضیح دهد [3]. داده‌های سری‌های زمانی مالی دارای مشخصات ناپایداری هستند، نوسانات بیشتری در دوره زمانی یکسان جمع خواهند شد، و نوسانات کوچک در دوره زمانی دیگری جمع خواهند شد؛ این، پدیده خوشه‌بندی نوسان است [4]. برای سری‌های زمانی با مشخصات «اوج تیز[2]»، «دم کلفت[3]» و خوشه‌بندی نوسان، به وضوح، فرض واریانس همسانی[4] صدق نمی‌کند. طبق لیو و مورلی[5] [5]، استفاده از مدل‌های اقتصادسنجی سنتی اغلب منجر به انحراف بسیار جدی خواهد شد. برای بهبود دقت مدل پیش‌بینی، محققان اقتصاد، تحقیقات گسترده‌ای را برای بهبود مدل‌های اقتصادسنجی سنتی انجام دادند. در سال 1982، اقتصاددان آمریکایی، پروفسور اینگل[6]، ابتدا مدل ARCH (ناهمواریانسی شرطی خود-رگرسیو[7]) را برای مدلبندی واریانس ارائه داد. مدل ARCH، روش سنتی تفکر را برمی‌اندازد و فرضیه‌ی خطی ارتباط بین ریسک و بازده را انکار می‌کند. این مدل از واریانس متغییر برای ایجاد تابعی مربوط به نوسانات گذشته استفاده می‌کند و داده‌های مالی با ویژگی‌های «اوج تیز» و «دم کلفت» را بهتر مشخصه‌بندی می‌کند. علاوه‌براین، ابزار پژوهشی نیرومندی را برای مساله‌ی واریانس همسانی فراهم می‌کند، بنابراین همانطور که پیش‌بینی می‌شد، محققان از آن استقبال کردند. با این حال، افراد به تدریج متوجه شدند که هنگام استفاده از مدل ARCH در مدلبندی برخی از سری‌های زمانی، این مدل نیاز به مرتبه بزرگ q برای تخمین بهتر واریانس همسانی شرطی دارد. از این‌رو، بلرسلف[8] [6]، فاز تاخیر را برای واریانس شرطی بر اساس مدل ARCH معرفی کرد و مدل ARCH تعمیم یافته، یعنی GARCH (ناهمواریانسی شرطی خود-رگرسیو تعمیم یافته[9]) را به دست آورد. پس از آن، تعدادی از محققان، مدل‌های مختلف مشابه با مدل GARCH را توسعه دادند، از جمله IGARCH، EGARCH، GARCH-M و VGARCH، که خانواده‌ای از مدل GARCH را تشکیل می‌دهند.

[1] China Securities Regulatory Commission

[2] sharp peak

[3] fat tail

[4] homoscedasticity

[5] Liu and Morley

[6] Engle

[7] Auto-Regressive Conditional Heteroskedastic

[8] Bollerslev

[9] generalised autoregressive conditional heteroscedasticity