fa مدل‌سازی و پیش‌بینی نوسانات بازار سهام با استفاده از مدل انتقالی گارچ مارکف پولی و مالی پولی و مالی بنیادی بنیادی <p style="DIRECTION: rtl" align="justify">  در این مطالعه، قدرت برازش و قدرت پیش‌بینی مجموعه‌ای از مدل‌های انتقالی گارچ مارکف SW-GARCH ، با استفاده از داده های بازار بورس اوراق بهادار تهران، طی سال‌های 90-1376 مقایسه می‌شود. در این مقاله، از مدل انتقالی گارچ مارکف برای پیش‌بینی نوسانات در بازار بورس اوراق بهادار تهران در افق‌های پیش‌بینی کوتاه مدت شامل یک‌روزه و پنج‌روزه (هفته‌ای) و دوره بلندمدت شامل ده‌روزه و 22روزه استفاده شده است. علت استفاده از این مدل‌ها آن است که برای همۀ شاخص‌های مدل، امکان چرخش یا انتقال بین دو رژیم پرنوسان و کم‌نوسان وجود دارد. به همین دلیل، هم توزیع گوسی (نرمال) و هم دو توزیع دنبالۀ پهن ( t -استیودنت و GED ) برای خطاها در نظر گرفته شده است. درجۀ آزادی نیز بین دو رژیم نوسان تغییرپذیر تعبیه شد تا چولگی احتمالی وابسته به زمان نیز در نظر گرفته شود. نتایج تجربی نشان می‌دهد برای پیش‌بینی نوسانات بازار سهام ایران، عملکرد مدل‌های SW - GARCH با توزیع خطای t و با درجۀ آزادی متغیر بین دو رژیم، بسیار بهتر از مدل‌های گارچ معمولی است. حتی در برازش و بررسی‌های داخل نمونه‌ای نیز این نوع از مدل‌های انتقالی مارکف، رتبۀ اول را در زمینه قدرت برازش به خود اختصاص دادند. </p> <p>  In this study we compare a set of Markov Regime-Switching GARCH models in terms of their ability to forecast the Tehran stock market volatility at different time intervals. SW-GARCH models have been used to avoid the excessive persistence that usually found in GARCH models. In SW-GARCH models all parameters are allowed to switch between a low or high volatility regimes. Both Gaussian and fat-tailed conditional distributions are assumed for the residuals, and the degrees of freedom can also be state-dependent to capture possible time-varying kurtosis. Using stationary bootstrap and re-sampling, the forecasting performances of the competing models are evaluated by statistical loss functions. The empirical analysis demonstrates that SW-GARCH models outperform all standard GARCH models in forecasting volatility. Also, the SW-GARCH model with the t distribution for errors has the best performance in fitting a model and estimation. </p> بوتسترپ، پیش‌بینی خارج از نمونه‌ای، تابع زیان آماری، توزیع دنباله‌های پهن، مدل انتقالی گارچ مارکف، نوسانات. Volatility, Markov Regime Switching GARCH Models, Statistical Loss Function, Bootstrap. 117 141 http://jfm.khu.ac.ir/browse.php?a_code=A-10-599-1&slc_lang=fa&sid=1 minoo nazifi naeini مینو نظیفی نائینی minoonazifi@gmail.com 10031947532846002799 10031947532846002799 Yes Razi university دانشگاه رازی shahram fatahi شهرام فتاحی sh_fatahi@yahoo.com 10031947532846002800 10031947532846002800 No Razi university دانشگاه رازی saeed samadi سعید صمدی samadi_sa@yahoo.com 10031947532846002801 10031947532846002801 No Isfahan university دانشگا اصفهان