33344

ارائه‌ يك رويكرد تركيبي براي پيش‌بيني نوسانات بازار سهام

كارشناسي ارشد

مهندسي كامپيوتر - گرايش نرم‌افزار

1401

1403/11/30

دكتر رضا انتظاري ملكي

ـ

كامپيوتر

يكي از مهم‌ترين مسائل در بازارهاي مالي، برآورد و پيش‌بيني دقيق نوسانات است. اين مسئله براي فعالان مالي همچون سرمايه‌گذاران، معامله‌گران و مديران ريسك كه به دنبال دستيابي به سودهاي پايدار هستند، اهميت ويژه‌اي دارد. در اين پايان‌نامه، به منظور پيش‌بيني نوسانات بازار سهام، ابتدا داده‌ها به كمك تبديل موجك پردازش شده و ويژگي‌هاي چندمقياسي مختلفي استخراج گرديدند؛ سپس، تخمينگرهاي مختلف محاسبه نوسانات مانند نوسانات Historical، Parkinson، Close-to-Close، Yang-Zhang، Garman-Klass، Garman-Klass-Yang-Zhang و Rogers-Satchell مورد بررسي و پيش‌بيني قرار گرفتند. رويكرد ارائه‌شده در اين پايان‌نامه شامل تركيبات مختلفي از مدل‌هاي خانواده GARCH، تبديل موجك و مدل‌هاي يادگيري عميق مي‌باشد. تركيبات حاصل از مدل‌هاي يادگيري عميق و مدل‌هاي آماري نقش مهمي در اين رويكرد دارند؛ بهينه‌سازي PSO نيز به تنظيم پارامترهاي مدل‌ها و افزايش دقت پيش‌بيني‌ها كمك كرد. شاخص S&P500 به عنوان دارايي مورد بررسي در اين پايان‌نامه انتخاب شد كه يكي از مهم‌ترين شاخص‌هاي سنجش عملكرد كلي بازار بورس آمريكا است؛ همچنين داده‌هاي جمع‌آوري‌شده در اين تحقيق از سال 2000 تا 2024 را شامل مي‌شود. يكي از نكات كليدي در اين مطالعه، استفاده از داده‌هاي متنوع و چندگانه است كه به مدل‌ها اجازه مي‌دهد تا نوسانات را به‌طور جامع‌تري پيش‌بيني كنند. رويكرد تركيبي پيشنهادي توانست خطاي پيش‌بيني نوسانات را كاهش داده و عملكرد بهتري نسبت به رويكردهاي پيشين، از جمله مقاله پايه داشته باشد. جهت نشان‌دادن كاربرد پيش‌بيني‌هاي انجام‌شده در معاملات بازار، چند استراتژي معاملاتي ارائه گرديد كه از نوسانات به عنوان يكي از عوامل كليدي در تعيين زمان مناسب براي ورود و خروج از معاملات بهره مي‌برند و به اين ترتيب معيارهاي معاملاتي را بهبود مي‌بخشند. در بهترين استراتژي، با در نظر گرفتن پيش‌بيني‌ها نسبت به حالت بدون احتساب نوسانات، به طور تقريبي نسبت شارپ 10 برابر و سود خالص 3 برابر شد و حداكثر افت سرمايه 39٪ درصد بهبود يافت؛ اين نتايج نشان مي‌دهند كه استفاده از نوسانات پيش‌بيني‌شده مي‌تواند به طور قابل توجهي بهبود عملكرد استراتژي‌هاي معاملاتي و كاهش ريسك سرمايه‌گذاري را فراهم كند.

1404/02/13

Presenting a Hybrid Approach for Forecasting Stock Market Volatility

2/18/2026 12:00:00 AM

One of the most important issues in financial markets is the accurate estimation and prediction of volatility. This issue is of particular importance for financial actors such as investors, traders and risk managers who seek to achieve sustainable profits. In this thesis, in order to predict stock mar- ket volatility, first the data were processed using wavelet transform and various multi-scale features were extracted; then, various volatility calculation estimators such as Historical, Parkinson, Close- to-Close, Yang-Zhang, Garman-Klass, Garman-Klass-Yang-Zhang and Rogers-Satchell volatility were examined and predicted. The approach presented in this thesis includes various combina- tions of GARCH family models, wavelet transform and deep learning models. The combination of deep learning and statistical models plays an important role in this approach; PSO optimization also helped to adjust the parameters of the models and increase the accuracy of the predictions. The SP500 index was chosen as the asset under study in this thesis, which is one of the most important indicators for measuring the overall performance of the US stock market; the data collected in this study also covers the period from 2000 to 2024. One of the key points in this study is the use of diverse and multiple data, which allows the models to predict volatility more comprehensively. The proposed hybrid approach was able to reduce the volatility prediction error and outperform previous approaches, including the basic paper. To demonstrate the utility of forecasting in market trading, several trading strategies were presented that use volatility as a key factor in determining the right time to enter and exit trades, thereby improving trading metrics. In the best strategy, by consider- ing forecasts compared to the case without volatility, the sharpe ratio increased by approximately 10 times, net profit increased by 3 times, and the maximum drawdown improved by 39%. These results indicate that the use of forecasted volatility can significantly improve the performance of trading strategies and reduce investment risk.

پيش‌بيني نوسانات، , رويكرد تركيبي , مدل‌هاي آماري , يادگيري عميق , بازار سهام

Volatility Forecasting , Hybrid Approach , Statistical Models , Deep Learning , Stock Market

Masoumeh Molaei

Dr. Reza Entezari-Maleki