روش ردیابی شاخص در انتخاب سبد سهام یکی از متداولترین روشها در مدیریت سرمایه گذاری انفعالی(غیر فعال) می باشد . در انتخاب سبد سهام با این روش، هدف دستیابی به عملکردی مشابه شاخص از طریق سرمایه گذاری بر تعداد محدودی از اقلام تشکیل دهنده آن می باشد. در این پایان نامه هدف ایجاد بهترین سبد سهام ردیابی کننده شاخص با توجه به محدودیت های موجود می باشد و از شبکه های عصبی هاپفیلد برای حل مدل و جستجو جهت یافتن جوابهای مناسب استفاده می شود . در نهایت نتایج با نتایج حاصل از روش الگوریتم ژنتیکمورد مقایسه قرار می گیرد . برای اینکار از داده های پنج بازار معتبر دنیا استفاده می کنیم. نتایج نشان می دهد که با حل مدل با استفاده از شبکه های عصبی نتایج بهتری به دست می آید.

در این تحقیق به پیش‏بینی شاخص قیمت بورس اوراق بهادار تهران با استفاده از مدل مولفه مشاهده نشده (uc) با واریانس تصادفی (sv) پرداخته شده است. بیشتر مدل‏های معرفی شده در این رده مدل‏هایی هستند که توزیع مولفه‏های اخلال آنها توزیعی دنباله بلند است که برای مدل‏سازی متغیرهایی مانند قیمت سهام که در طی زمان نوسان زیادی دارند و یا مستعد تغییر ناگهانی هستند بسیار مناسب است. برای برآورد میانگین فرآیند از روش برآوردی حداکثر درستنمایی و براساس استفاده مکرر از الگوریتم فیلتر کالمن و برای برآورد واریانس فرآیند از یک گونه کارا از روش شبیه سازی زنجیره مارکوف (mcmc) استفاده شده است. در این تحقیق نشان داده می‏شود که مدل مورد نظر مدل مناسبی برای داده‏های شاخص قیمت بورس اوراق بهادار تهران می‏باشد و نسبت به مدل‏های مشابه از دقت بالایی برای پیش‏بینی‏ این شاخص برخوردار است.

این پژوهش به بررسی روشی جدید ( برآورد تطبیقی موضعی نوسانات) جهت تخمین و پیش بینی نوسانات بازده سهام در بازار بورس تهران می پردازد. ایده اصلی مدل مورد بررسی این است که هیچ فرضی برای پارامتری بودن آن در نظر گرفته نشده است به جز این فرض که نوسانات در بازه هایی از زمان ثابت می‏باشند. بنابراین مسئله اصلی در این تحقیق، تعیین بازه های زمانی همگنی است که به کمک آن ها می‏توان به مدلسازی نوسانات پرداخت. در بخش کاربرد تجربی، این روش با رویکرد مدل‏های arima و garch (روش‏های پارامتری که توزیع های خاصی را برای اجزای اخلال سری های زمانی در نظر می گیرند) مقایسه می شود تا با توجه به خروجی این رویکردها به برتری یکی از آنها در بازار سهام ایران پی برد. با توجه به داده های به کار گرفته شده از بازده روزانه سهام 14 شرکت بورس تهران، در در 5 مورد آن(سرمایه‏گذاری توسعه صنعتی ایران، توسعه معادن روی ایران، سرمایه‏گذاری ملی ایران، گروه بهمن و کیمیدارو) عملکرد این رویکرد در تخمین نوسانات موفقیت آمیزتر بوده است. در یک مورد (پتروشیمی خارک) رویکرد garch(1,1) بهتر عمل کرده و در 8 مورد باقی‏مانده رویکرد arima بهتر بوده است.

یکی از روش های شناخته شده برای اندازه گیری، پیش بینی و مدیریت ریسک بازار، ارزش در معرض خطر است که در سال های اخیر مورد استقبال گسترده ای قرار گرفته است. اندازه گیری ریسک به شرایط اقتصادی و بازار وابسته است و از زمانی به زمان دیگر متغیر است. بنابراین محاسبه ریسک با در نظر گرفتن مدل های پیش بینی تلاطم بازار مطرح می شود. در این موارد، یکی از مفاهیم کلیدی ریسک بر پایه var ، مفهوم ارزش در معرض خطر شرطی(cvar)است که نشان دهنده بدترین زیان ممکن در سطح اطمینان مشخص، برای مقابله با تغییرات پیش روی بازار در طی دوره های زمانی بعدی، مشروط بر تغییر پذیری مربوط به پورتفوی موجود و اطلاعات بازار است. این پژوهش به دنبال محاسبه فاصله اطمینان برای ارزش در معرض خطر شرطی با استفاده از روش ناپارامتریک درستنمایی تجربی (el) می باشد که با استفاده از مدل خودرگرسیونی مشروط بر ناهمسانی واریانس و مدل تعمیم یافته(garch)آن به پیش بینی تلاطم بازار می پردازد. با استفاده از مطالعات شبیه سازی و مقایسه فاصله اطمینان روش el با دیگر روش های کلاسیک در محاسبه فاصله اطمینان از قبیل روش تقریب نرمال، برتری و صحت فاصله اطمینان بدست آمده از روش el برای دو مدل garch-n و garch-t با احتمال پوشش معین به اثبات رسید. در ادامه با استفاده از روش فوق به محاسبه فاصله اطمینان برای داده های شاخص کل قیمت بازار سهام ایران پرداختیم.

در این تحقیق به پیشبینی شاخصهای (کل، قیمت و بازده نقدی، صنعت، بازار اول و بازار دوم) بورس اوراق بهادار تهران با استفاده از روشهای انقباضی پرداخته شده است. این روشها عبارتند از روش پیشآزما، bma، بیز تجربی، بگینگ و لجیت که نتایج بدست آمده از این روشها سپس با نتایج مدل عاملی پویا (dfm) مقایسه خواهد شد. دادههای مورد استفاده در این تحقیق مقادیر هفتگی شاخصها در بازهزمانی 1381 تا 1391 میباشد. در این پژوهش ما نشان میدهیم روشهای انقباضی به این دلیل که دارای ویژگیهای منحصربفردی بوده و از اطلاعات بیشتری نسبت به مدل عاملی پویا جهت پیشبینی استفاده میکنند، میتوانند نتایج مدل dfm را بهبود دهند. همچنین نشان خواهیم داد که این روشها مدل مناسبی برای پیشبینی شاخصهای بورس اوراق بهادار تهران بوده و از دقت و کارایی مناسبی برای پیشبینی این شاخصها برخوردار میباشند.

اکثر داده های مالی بورس ایران دارای نوسان و توزیعی غیر نرمال می باشند. برای برآورد و تخمین دقیق تر پارامترهای مالی، نوسان پذیری و یا پیش بینی قیمت و بازده این ضرورت به وجود می آید که از ابزار های و روش هایی استفاده شود که فرض و محدودیت خاصی برای توضیع داده های مورد بررسی در نظر نگیرد. در این پژوهش برای پیش بینی نوسان پذیری سری های زمانی مالی از مدل garch انعطاف پذیری که متکی بر استفاده از پایه های b-spline چند متغیره ی تأخیرهای مشاهدات و نوسان پذیری ها می باشد استفاده کردیم. سپس با استفاده از معیارهای ارزیابی به مقایسه آن با مدل های کلاسیک پرداختیم. برای برآورد این مدل از درستنمایی کاذب استفاده شده است. از آنجا که ابعاد پایه های b-spline زیاد است (یعنی تعداد پارامتر) از روشی قاعده مند به همراه یک الگوریتم پیش برنده برای برازش استفاده می کنیم. این روش به لحاظ محاسباتی جذاب و برای ابعاد بالا شدنی است. نشان دادیم که روش spline دارای پتانسیل پیش بینی بالایی برای نوسان پذیری دارایی های مالی نسبت به مدل های کلاسیک است. واژگان کلیدی: b-spline ، نوسان پذیری، داده های مالی، garch، پیش بینی

در این پژوهش به منظور سنجش ریسک بازار و اهمیت این مقوله در مباحث مالی، ارزش در معرض خطر از طریق مدل raelized garch برآورد شده است. در این مدل بطور همزمان بازده و مقادیر تلاطم تحقق یافته درنظر گرفته می شود. توانایی در تعدیل اریبی تلاطم تحقق-یافته که ناشی از اختلالات ریزساختاری و زمان های غیرکاری می باشد از مزیت های این مدل می باشد.