پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 49 |
| تعداد شماره‌ها | 1,327 |
| تعداد مقالات | 11,499 |
| تعداد مشاهده مقاله | 24,839,186 |
| تعداد دریافت فایل اصل مقاله | 16,562,886 |
پیش‌بینی نوسان شاخص‌های بورس اوراق بهادار تهران و دلالت‌های آن برای مدیریت ریسک صنعتی: مقایسه مدل‌های اقتصادسنجی کلاسیک و معماری‌های یادگیری عمیق | ||
| فصلنامه علمی پژوهش های اقتصاد صنعتی | ||
| دوره 10، شماره 34 ،بهار و تابستان، سال 1405، خرداد 1405 | ||
| نوع مقاله: کاربردی | ||
| شناسه دیجیتال (DOI): 10.30473/jier.2026.78746.1554 | ||
| نویسندگان | ||
| پوریا صرافی نژاد* 1؛ مهدی صادقی شاهدانی2 | ||
| 1گروه مدیریت مالی، دانشگاه امام صادق(ع)، تهران، ایران | ||
| 2عضو هیات علمی دانشکده اقتصاد، دانشگاه امام صادق(ع). | ||
| چکیده | ||
| پیش‌بینی نوسان، رکن مدیریت ریسک و تخصیص سرمایه در بازار سهام است؛ اما رفتار غیرخطی و رژیم‌محور نوسان در بورس ایران، انتخاب میان مدل‌های کلاسیک و یادگیری عمیق را دشوار و برای مدیریت ریسک صنعتی حیاتی می‌سازد. این پژوهش لگاریتم واریانس روزانه (جانشین مبتنی بر قیمت پایانی برای نوسان تحقق‌یافته، در نبود داده‌ی درون‌روزی) دو شاخص کل و هم‌وزن بورس تهران را در بازه‌ی ۱۳۹۴ تا ۱۴۰۴ مدل‌سازی و پیش‌بینی می‌کند. سه مدل کلاسیک (آریما، گارچ و هار) با چهار معماری یادگیری عمیق (حافظه‌ی کوتاه‌مدت بلند، پیچشی-حافظه، ترنسفورمر و پچ‌تی‌اس‌تی) در افق‌های روزانه، هفتگی و ماهانه، زیر معیارهای میانگین قدرمطلق خطا، ریشه‌ی میانگین مربعات خطا و شبه‌درست‌نمایی مقاوم (QLIKE)، و با آزمون‌های دیبولد-ماریانو و مجموعه‌ی اطمینان مدل مقایسه شدند. یافته‌ها واگرایی نظام‌مندی میان معیارها نشان می‌دهند: آریما و هار کمترین خطا را در فضای لگاریتمی دارند اما بدترین شبه‌درست‌نمایی را ثبت می‌کنند، زیرا در جهش‌های نوسان واریانس را کم‌برآورد می‌کنند و این معیار چنین کم‌برآوردی را به‌شدت جریمه می‌کند. زیر شبه‌درست‌نمایی، گارچ در افق‌های کوتاه و بلند کمترین خطا را دارد، حال آنکه مدل‌های یادگیری عمیق، به‌ویژه ترنسفورمر، در افق میان‌مدت برتری عددی می‌یابند؛ اما مجموعه‌ی اطمینان مدل نشان می‌دهد این تفاوت‌ها معنادار نیستند و گارچ در هر شش ترکیب شاخص-افق رقابتی باقی می‌ماند. مدل‌های یادگیری عمیق عمدتاً بر اطلاعات اخیر تکیه دارند و در رژیم پرنوسان رونق ۱۳۹۷-۱۳۹۹ به‌شدت افت می‌کنند. در مجموع، هیچ خانواده‌ی مدلی مسلط نیست، اما گارچ معیاری مقاوم و رقابتی است و شبه‌درست‌نمایی برای انتخاب مدل حساس به ریسک ضروری است. | ||
| کلیدواژه‌ها | ||
| نوسان تحقق‌یافته؛ پیش‌بینی نوسان؛ یادگیری عمیق؛ مدل ترنسفورمر؛ بورس اوراق بهادار تهران | ||
| عنوان مقاله [English] | ||
| Forecasting Tehran Stock Exchange Volatility and Its Implications for Industrial Risk Management: A Comparison of Classical Econometric Models and Deep Learning Architectures | ||
| نویسندگان [English] | ||
| Pouria Sarrafinezhad1؛ Mehdi Sadeghi Shahedani2 | ||
| 1Department of Finance, Imam Sadiq University, Tehran, Iran | ||
| 2Faculty Member, Faculty of Economics, Faculty of Economics, Imam Sadiq University, Tehran, Iran. | ||
| چکیده [English] | ||
| Accurate volatility forecasting underpins risk management, capital allocation, and value-at-risk assessment, yet the nonlinear, regime-dependent behavior of volatility in the Iranian stock market complicates the choice between classical and deep learning models, with direct implications for industrial risk management. This study models and forecasts the logarithm of daily variance, used here as a close-price-based proxy for realized volatility given the absence of intraday data, for two Tehran Stock Exchange indices, the TEDPIX and the Equal-Weighted index, over 2015 to 2025. Three classical models (ARIMA, GARCH, HAR-RV) are compared with four deep learning architectures (LSTM, CNN-LSTM, Transformer, PatchTST-lite) across three horizons of 1, 5, and 22 days, using MAE, RMSE, and the robust QLIKE loss, together with the Diebold-Mariano and Model Confidence Set tests. Results reveal a systematic divergence across evaluation spaces: ARIMA and HAR-RV attain the lowest errors in log-space (MAE, RMSE) but the worst QLIKE, since they underestimate variance during volatility spikes, which QLIKE penalizes severely. Under QLIKE, GARCH attains the lowest numerical error at short and long horizons, while deep learning models, particularly the Transformer, show a numerical edge at the medium horizon; the Model Confidence Set, however, shows none of these differences are statistically significant, with GARCH remaining competitive in all six index-horizon combinations. Deep learning models rely almost exclusively on recent information and degrade sharply during the volatile 2018-2020 boom regime. Overall, no model family dominates, but GARCH offers a robust, consistently competitive benchmark, while QLIKE proves essential for risk-sensitive model selection. | ||
| کلیدواژه‌ها [English] | ||
| Realized volatility, Volatility forecasting, Deep learning, Transformer architecture, Tehran Stock Exchange | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 3 |
||