دانلود ترجمه مقاله کاربرد مدل‌های GARCH در مدل ساز (ساینس دایرکت – الزویر 2018) (ترجمه ویژه – طلایی ⭐️⭐️⭐️)

کاربرد مدل‌های GARCH در مدل سازی و پیش‌بینی نوسانات بازار سهام شاخص کامپوزیت SSE

Modelling and forecasting the stock market volatility of SSE Composite Index using GARCH models

نکات برجسته:
1- پیشگفتار
1-1- مقدمه
1-2- هدف تحقیق
1-3- ساختار مقاله
2- مرور تحقیقات
2-1- بررسی تحقیقات جهانی
2-2- بررسی تحقیقات در چین
2-3- بررسی اجمالی بورس اوراق بهادار شانگهای
2-4- خلاصه‌ فصل
3- روش‌ شناسی
3-1- مدل ARCH
3-2- مدل GARCH متقارن
3-3- مدل ARCH-M
3-4- مدل GARCH نامتقارن
4- تجزیه و تحلیل تجربی
4-1- تجزیه و تحلیل آمار توصیفی
4-2- پردازش داده‌ها
4-3- آزمون ریشه‌ی واحد
4-4- آزمون تاثیر ARCH
انتخاب مرتبه‌ی تاخیر و تعیین معادله‌ی میانگین
آزمون خود-رگرسیون باقیمانده‌ها
آزمون ARCH-LM
4-5- تخمین مدل (GARCH(1,1
4-6- تخمین مدل (TARCH(1,1
4-7- تخمین مدل (EGARCH(1,1
4-8- نتیجه‌ پیش‌بینی
4-9- نتایج مقایسه‌ با مدل ARIMA
5- خلاصه
6- نتیجه‌گیری‌ها و پیشنهادات
6-1- نتیجه‌گیری‌ها
6-2- تجزیه و تحلیل دلایل
6-3- پیشنهادات
منابع

چکیده

بازار سهام به طور پیوسته با عدم قطعیت‌ها تغییر می‌کند. انتشار سریع اطلاعات و جریان سریع سرمایه منجر به نوسانات قیمت سهام خواهد شد و قیمت نوساندار روی بازده بازار اثر خواهد گذاشت. این، یک فرایند تاثیر متقابل و هدایت متقابل است. بازار سهام چین، که مربوط به بازار در حال ظهوری است، از همان ابتدا نوساندار بوده است و اغلب، بالا و پایین‌های رادیکالی را نشان می‌دهد. این مقاله، شاخص کامپوزیت SSE را به عنوان موضوع پژوهش، از طریق کاربرد مدل‌های نوع GARCH برای انجام تجزیه و تحلیل تجربی، با برجسته‌سازی ویژگی‌های این شاخص از چشم‌اندازی اقتصادی انتخاب می‌کند. و بر اساس وضعیت موجود نوسان شاخص کامپوزیت SSE، پیشنهاداتی را ارائه می‌دهد.
نتیجه نشان می‌دهد که از چشم‌انداز سری‌های زمانی، شاخص کامپوزیت SSE، ویژگی‌های مهم زمان-متغییر و خوشه‌بندی را پردازش می‌کند. توزیع سری این شاخص، لپتوکورتوزیس با اثرات قابل توجه ARCH و GARCH را ارائه می‌دهد. علاوه‌براین، با مقایسه تناسب و پیش‌بینی عملکرد GARCH(1,1) (متقارن) و TARCH(1,1) و EGARCH(1,1) می‌توان نتیجه گرفت که EGARCH(1,1) دارای عملکرد بهتری نسبه به بقیه است. علاوه‌براین، بازار اوراق بهادار چین باید ساختار سیستم خود را تقویت کند، دخالت بیش از حد دولت را کاهش دهد و از فلسفه سرمایه‌گذاری منطقی طرفداری کند.

6-3- پیشنهادات

برای یک بازار سهام سالم، نوسان نرمال، در فعالسازی بازار بسیار مفید است. از طریق تجزیه و تحلیل‌های قبلی می‌دانیم که مشکلات بسیاری در بازار اوراق بهادار وجود دارد. بنابراین، بر اساس وضعیت واقعی، توصیه‌های زیر را در جنبه‌ی خط‌ مشی ارائه می‌دهیم. 1) بهبود سیستم افشاگری اطلاعات. بازار سهام چین دارای ویژگی آشکار خوشه‌بندی نوسان است، عوامل غیر منطقی بسیاری در معاملات وجود دارند و قیمت بازار به شدت در نوسان است. اطلاعات ناکارامد بازار، کشف ارزش سهام و بهینه‌سازی منبع بازار را مشکل می‌سازند. با بهبود سیستم افشاگری اطلاعات، بازار می‌تواند نقش تخصیص منبع را به طور کامل ایفا کند. یک مکانیسم انتقال اطلاعات معقول می‌تواند فضای گمانه‌زنی را تسکین بخشد. 2) تقویت آموزش فلسفه‌ی سرمایه‌گذاری. اکثریت سرمایه‌گذاران خرده‌فروشی فاقد دانش و مهارت‌های مناسب در سرمایه‌گذاری اوراق بهادار هستند. آن‌ها سرمایه‌گذاری کوتاه مدت را ترجیح می‌دهند و اغلب تسلسل در عملیات تجاری را پیگیری می‌کنند. این امر منجر به کاهش علمی بودن بازار خواهد شد. بازار سهام چین به شدت نیاز به ارتقاء فلسلفه‌ی سرمایه‌گذاری منطقی دارد به طوری که سرمایه‌گذاران بیشتری قادر به انجام تجزیه و تحلیل خود بر اساس اطلاعات بازار باشند.

Abstract

The stock market is constantly changing with uncertainties. Rapid dissemination of information and fast capital flow will lead to fluctuations of stock price, and the undulating price will affect the market in return. This is a process of mutual influence and mutual conduction. China’s stock market, which pertains to an emerging market, has been acutely volatile since the very beginning, and often appear radical ups and downs. This paper selects the SSE Composite Index as research object, through the application of GARCH type models to conduct empirical analysis, carving the features of this index from an econometric perspective. And on basis of the status quo of the volatility of SSE Composite Index, it offers some suggestions.
The result shows that from the time series point of view, the SSE Composite Index possesses significant properties of time-varying and clustering. Series distribution of it presents leptokurtosis with significant ARCH and GARCH effects. Moreover, by comparing the fitting and forecast performance of GARCH (1, 1) (symmetric) and TARCH (1, 1) and EGARCH (1, 1) (asymmetric), it can be concluded that EGARCH (1, 1) outperforms the others. Besides, China’s securities market should strengthen its system construction, reduce excessive government intervention and advocate rational investment philosophy.

6-3- Suggestions

For a healthy stock market, the normal volatility is helpful in activating the market. Through the foregoing analyses we know that there exists many problems in the securities market. Therefore, based on the actual situation, I proposed the following recommendations in policy aspect. (1) Improve the information disclosure system. China’s stock market is of an evident characteristic of volatility clustering, a lot of irrational factors are inundated in the transactions, market price fluctuates intensely. The inefficient market information makes the discovery of stock value and resource optimisation of market difficult to be realised. By improving the information disclosure system, the market can fully play the role of resource allocation. A reasonable information transmission mechanism can alleviate the speculation atmosphere. (2) Strengthen investment philosophy education. The majority retail investors are lack of appropriate knowledge and skills in securities investment. They prefer short-term investment, and often follow suit in trade operations. This would lead to a reduction of market’s scientificity. China’s stock market strongly requires a promotion of rational investment philosophy, so that more investors are able to make their own analysis on the market information.

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

کاربرد مدل‌های GARCH در مدل سازی و پیش‌بینی نوسانات بازار سهام شاخص کامپوزیت SSE

Modelling and forecasting the stock market volatility of SSE Composite Index using GARCH models