مدلسازی ناپارامتری نوسانات مالی در حضور تغییرات ناگهانی

بازارهای مالی به ندرت ثابت هستند و عموما در طول زمان تغییر میکنند و با نوسانات بسیار همراه هستند. با توجه به نقش و اهمیت نوساناتموجود در بازار سهام، تحقیق حاضر مدلسازی نوسانات و نیز تاثیر بحرانهای مالی بر بازار سهام را مسیله اصلی خود قرار داده است. در اغلبمطالعاتی که در این حوزه صورت گرفته از مدل گارچ استفاده کردهاند و فرض نرمال بودن را برای داده ها در نظر گرفته اند، درصورتیکه اینفرض در عمل به ندرت اتفاق می افتد. به همین دلیل در این تحقیق از رویکرد نا پارامتری برای تشخیص و شناسایی نقاط شکست ساختاریاستفاده می شود. در ادامه برای شناسایی نقاط تغییر ابتدا از یک الگوریتم که فرض گاوسی بودن داده ها را در نظر می گیرد (ICSS)استفاده شده و پس ازآن یک الگوریتم که توزیع خاصی را برای داده ها در نظر نمی گیرد (NPCPM) مورداستفاده قرارمی گیرد و این دوالگوریتم مقایسه می شوند. داده های استفاده شده در این پژوهش، بازده روزانه دو شاخص 30 شرکت بزرگ و 50 شرکت برتر از تاریخ31 / 05 / 1389 الی 22 / 02 / 1395 هستند، که پس از شناسایی نقاط تغییر و استفاده از مدل گارچ، درنهایت با استفاده از معیارهای ارزیابیAIC و BIC مشخص گردید که الگوریتم NPCPM که فرض محدود شونده ای را لحاظ نمی کند نتایج بهتری را ارایه می دهد.

Keywords:

مدلسازی نا پارامتری نوسانات , تغییرات ناگهانی , الگوریتم NPCPM , الگوریتم ICSS