مدل سازی رفتار بازار در شرایط بحران مالی با استفاده از مدل های غیرخطی

بحران های مالی همواره با نوسانات شدید، تغییرات ساختاری و رفتارهای غیرقابل پیش بینی در بازارهای مالی همراه بوده اند. در چنین شرایطی، مدل های خطی سنتی به دلیل فرضیات محدودکننده خود، توانایی کافی برای شناسایی و تحلیل دقیق دینامیک های بازار را ندارند. این پژوهش با هدف ارائه یک چارچوب نوآورانه برای مدل سازی رفتار بازار در دوره های بحران، از ترکیب دو رویکرد قدرتمند یعنی مدل آستانه ای بردار خودرگرسیونی (Threshold VAR) و شبکه های عصبی بازگشتی (RNN) بهره می گیرد. این ترکیب به منظور شناسایی نقاط تغییر رژیم، تحلیل واکنش های غیرخطی بازار به شوک های اقتصادی، و پیش بینی دقیق تر روندهای آتی طراحی شده است.در این مطالعه، داده های روزانه مربوط به شاخص های بازار سهام (S&P ۵۰۰، DAX)، نرخ بهره، شاخص نوسان (VIX)، و نرخ ارز از منابع معتبر بین المللی مانند Bloomberg و FRED برای دوره زمانی ۲۰۰۷ تا ۲۰۲۳ گردآوری شده اند. این دوره شامل سه بحران مالی مهم است: بحران مالی جهانی ۲۰۰۸، همه گیری کووید-۱۹ در سال ۲۰۲۰، و بحران بانکی ایالات متحده در سال ۲۰۲۳. ابتدا با استفاده از مدل آستانه ای، نقاط شکست ساختاری و تغییر رفتار بازار شناسایی شده و سپس با بهره گیری از شبکه عصبی بازگشتی، وابستگی های زمانی و الگوهای پیچیده میان متغیرها مدل سازی گردیده اند.نتایج تجربی نشان می دهد که مدل ترکیبی پیشنهادی عملکردی برتر نسبت به مدل های خطی و غیرخطی منفرد دارد. به ویژه در دوره های نوسان بالا، دقت پیش بینی به طور قابل توجهی افزایش یافته و رفتار بازار نسبت به شوک های بیرونی با وضوح بیشتری قابل تحلیل است. همچنین، مدل پیشنهادی توانسته است نقاط بحرانی را با حساسیت بالا شناسایی کرده و الگوهای رفتاری متفاوت بازار در رژیم های مختلف را تفکیک نماید. این یافته ها می توانند در طراحی سیاست های مالی، مدیریت ریسک سرمایه گذاری، و توسعه ابزارهای هشدار زودهنگام برای نهادهای نظارتی و سرمایه گذاران حرفه ای مورد استفاده قرار گیرند.

کلیدواژه ها:

مدل های غیرخطی ، بحران مالی ، رفتار بازار ، مدل آستانه ای ، شبکه عصبی بازگشتی ، پیش بینی مالی ، تغییر رژیم ، مدیریت ریسک ، یادگیری ماشین ، تحلیل سری های زمانی