مقایسه پیش بینی نوسانات شاخص سهام بورس تهران در رویکرد گارچ-میداس و رگرسیون کوانتایل

در این پژوهش مدل گارچ-میداس با این هدف به کار گرفته می شود که کاستی مدل های گارچ، یعنی اتکا به تقارن در زمینه های تواتر داده ها را جبران کند. از همین روی، مزیت و افزوده این مدل به مدل های گارچ و دیگر مدل های سری زمانی، ترکیب داده هایی است که تواتر متفاوت دارند. بدین منظور، بازدهی سهام بر اساس ترکیبی از داده های روزانه با هفتگی، مدل سازی می شود. اما مدل کوانتایل نیز از جمله مدل های جدیدی است که در عوض تواتر متفاوت، بر کل توزیع تمرکز دارد و رگرسیون را بر اساس توزیع کل داده ها انجام می دهد و مبتنی بر خصوصیت توزیع نرمال نیست. مسیله تحقیق حاضر از همین تفاوت میان مدل گارچ-میداس و کوانتایل، شکل گرفت و سازمان دهی تحقیق بر اساس آن انجام شد. یافته های تحقیق نشان داد که مدل گارچ-میداس نسبت به مدل کوانتایل،  برازش بهتری دارد و از قابلیت مدل سازی و پیش بینی بهتری برای نوسان در بازدهی سهام، برخوردار است.