پیش‎بینی نوسانات در چارچوب مدل ترکیبی HAR با حافظه طولانی و مارکوف سوئیچینگ: شواهدی از صندوق‎های سهامی قابل معامله در بورس تهران

در این پژوهش، عملکرد پنج صندوق سهامی قابل معامله (ETF) در بورس تهران از منظر پیش بینی نوسانات روزانه با استفاده از مدل های مختلف مبتنی بر ساختار HAR مورد بررسی قرار گرفت. هدف اصلی، ارزیابی تاثیر مولفه های حافظه طولانی (LM)، مارکوف سوئیچینگ (MS) و پرش های ناگهانی (J) در بهبود دقت مدل ها بود. یافته ها نشان داد که مدل پایه HAR به تنهایی توانایی محدودی در توضیح نوسانات دارد و به کارگیری مولفه های پیشرفته تر، به ویژه LM و MS، در اغلب موارد موجب ارتقای معنادار عملکرد مدل ها شد. نتایج حاکی از آن است که حافظه طولانی در بیشتر صندوق ها نقشی کلیدی داشته و در صندوق هایی با نوسانات پایدارتر (مانند آساس) موثرترین عامل بهبود بوده است، در حالی که در صندوق هایی با ساختار نوسانی متغیر (مانند «سرو» و «اطلس») ترکیب LM و MS بهترین کارایی را ارائه کرده است. مولفه پرش، اثر محدود و وابسته به شرایط صندوق ها داشته و تنها در برخی موارد، به ویژه در ترکیب با LM و MS در صندوق هایی مانند آگاس و کاریس، باعث بهبود پیش بینی شد. این نتایج بر اهمیت انتخاب مدل های ترکیبی و انعطاف پذیر متناسب با ویژگی های رفتاری هر صندوق تاکید می کند و پیشنهاد می دهد که مدیران صندوق ها برای مدیریت ریسک، به شناسایی رژیم های پرریسک و الگوهای بلندمدت نوسانات توجه ویژه داشته باشند.

کلیدواژه ها:

حافظه طولانی ، مارکوف سوئیچینگ ، نوسانات ، HAR