پیش بینی نوسانات

در سال های اخیر بازار مالی با نوسانات زیادی مواجه شده و عدم اطمینان این نوسان ها، نگرانی هایی را در سرمایه گذاران ایجاد نموده است. از این رو مدل سازی نوسان و پیش بینی آن در مسائل مختلف تحقیقی و عملی مالی، مورد توجه قرار گرفته است.هدف از انجام این پژوهش، بررسی عوامل اجتماعی موثر ماندگاری سهام داران بر مبنای مدل سازی و پیش بینی نوسانات بازار سهام با استفاده از مدل های خودرگرسیونی ناهمگن (HAR) در بورس اوراق بهادار تهران می باشد. در این پژوهش، مدل سازی نوسان با استفاده از داده های پرفراوانی و با کمک مدل های خانواده ی HAR-RV، انجام شده و اثر اضافه نمودن جزء پرش در کارایی پیش بینی نوسان شاخص کل بورس اوراق بهادار تهران مورد بررسی قرار گرفته است. جامعه آماری پژوهش شامل شرکت های پذیرفته شده در بهابازار اوراق بهادار تهران در دوره زمانی 1391 تا 1398 است. نمونه آماری با استفاده از روش نمونه گیری هدفمند و با اعمال محدودیت های موجود، تعداد 162 شرکت به عنوان نمونه آماری انتخاب گردید. پژوهش حاضر از حیث جهت گیری پژوهش کاربردی، رویکرد پژوهش آمیخته( کیفی/کمی) و هدف پژوهش اکتشافی است. بر اساس نتایج به دست آمده می توان گفت که اگر مدل های HAR بهترین مدل پیش بینی نبوده باشد، بدترین نیز نبوده است و از آنجایکه بر اساس سه معیار، عملکرد آن بهترین بوده است لذا میتوان گفت جزء مدل های خوب و مناسب برای پیش بینی بوده است؛ و دیگر اینکه چه مدل سازی بر اساس گارچ تحقق یافته و چه مدل رقیب آن یعنی ای گارچ هر دو با فرض توزیع نرمال نسبت به فرض توزیع استیودنت برای جملات خطا عملکرد بهتری داشته اند.

پیش بینی نوسانات دارایی های مالی به ویژه در بازارهای پرنوسان مانند ارزهای دیجیتال، یکی از چالش های مهم در تحلیل مالی است. این پیش بینی ها نه تنها می توانند به سرمایه گذاران کمک کنند تا تصمیمات بهتری در زمینه خرید و فروش اتخاذ کنند، بلکه امکان مدیریت مؤثرتر ریسک ها و شناسایی فرصت های سودآوری را نیز فراهم می آورند. در نهایت، توانایی پیش بینی نوسانات بازار می تواند موجب بهبود استراتژی های مدیریت پرتفوی و کاهش ضررهای غیرمنتظره برای سرمایه گذاران شود. این تحقیق به بررسی و پیش بینی نوسانات قیمت بیت کوین به عنوان یکی از مهم ترین ارزهای دیجیتال پرداخته است. مدل های خودرگرسیون ناهمگن (HAR) و خانواده های آن به عنوان ابزارهای اصلی برای مدل سازی نوسانات در این پژوهش انتخاب شدند. این مدل ها به دلیل قابلیت بالای خود در تحلیل نوسانات در مقیاس های زمانی مختلف، برای مطالعه داده های نوسانی از اهمیت ویژه ای برخوردارند. با توجه به ویژگی های خاص بازار ارزهای دیجیتال، که شامل تغییرات سریع و غیرقابل پیش بینی در قیمت ها است، استفاده از مدل هایی که می توانند نوسانات کوتاه مدت و بلندمدت را همزمان مدل سازی کنند، ضروری به نظر می رسد. در این مطالعه، داده های تاریخی با فراوانی بالا در بازه های زمانی 60 دقیقه ای، روزانه، هفتگی و ماهانه از قیمت بیت کوین در دوره زمانی 2018 تا 2022 مورد تحلیل قرار گرفتند. نتایج حاصل از تحلیل ها نشان می دهد که مدل های خودرگرسیون ناهمگن (HAR) و نسخه های گسترش یافته آن، مانند HARJ، HARQ و HARQJ، توانایی بالایی در پیش بینی نوسانات قیمت بیت کوین دارند. علاوه بر این، وارد کردن عامل پرش به این مدل ها باعث افزایش دقت پیش بینی ها و بهبود نتایج شده است. این یافته ها بر اهمیت استفاده از مدل های پیشرفته و ترکیبی در پیش بینی نوسانات بازارهای مالی تأکید می کند و می تواند راهگشای توسعه استراتژی های بهینه برای سرمایه گذاران در بازار ارزهای دیجیتال باشد.