مقدمه

علیرغم مزایای فراوان پیش‌بینی دقیق نوسانات بازار سهام، بهبود دقت پیش‌بینی چالش‌برانگیز ثابت شده است. اول، تنوع پیش بینی کننده های بالقوه چالش بزرگی را برای انتخاب پیش بینی کننده ها ایجاد می کند. به عنوان مثال، مطالعات توانایی های پیش بینی متغیرهای کلان اقتصادی و مالی را برای نوسانات بازار سهام تعیین کرده اند (نون نژاد، 1396؛ پای، 2012). در سال‌های اخیر، با معرفی شاخص‌های عدم قطعیت سیاست‌های اقتصادی، برخی مطالعات قدرت پیش‌بینی برخی از شاخص‌های عدم قطعیت سیاست‌های اقتصادی (مانند شاخص عدم قطعیت سیاست اقتصادی، شاخص عدم اطمینان سیاست تجاری، شاخص عدم قطعیت سیاست پولی، شاخص نوسانات بازار سهام را مشخص کرده‌اند. و شاخص ریسک ژئوپلیتیکی) نسبت به نوسانات بازار سهام (Alqahtani و همکاران، 2020a؛ Gupta & Wohar، 2019؛ لی و همکاران، 2020a؛ Olasehinde-Williams، 2021؛ Paye، 2012؛ Yu et al., 20). علاوه بر این، مطالعات شواهدی پیدا کرده‌اند که بازار سهام را می‌توان توسط روان‌شناسی سرمایه‌گذاران هدایت کرد (دانیل و همکاران، 2002؛ Tseng، 2006) و قدرت پیش‌بینی برخی از شاخص‌های احساسات بازار را تعیین کرد (به‌عنوان مثال، گوپتا و همکاران،2014؛ پرز-لیستون و همکاران، 2014؛ اولیویرا و همکاران، 2017؛ جین و همکاران، 2020؛ لیانگ و همکاران، 2020a؛ وانگ و همکاران، 2020a). سایر شاخص‌ها مانند شاخص‌های استرس مالی نیز توانایی پیش‌بینی بالقوه دارند (گوپتا و همکاران، 2014؛ سینگ، 2016؛ سام، 2014). توانایی‌های پیش‌بینی‌کننده این پیش‌بینی‌کننده‌های بالقوه با تغییرات در عوامل خارجی مختلف تغییر می‌کند و یافتن پیش‌بینی‌کننده‌های پایدار را دشوارتر می‌کند.

علاوه بر این ، مناسب نیست که فقط یک پیش بینی کننده را در نظر بگیرید و اطلاعات معتبر موجود در سایر پیش بینی های بالقوه را نادیده بگیرید. با این حال ، استفاده از یک مدل با پیش بینی کننده های متعدد منجر به مشکل شناسایی و/یا همگرایی می شود (Asgharian et al. ، 2013 ؛ Li et al. ، 2020b). برای حل این مشکلات ، برخی از مطالعات از اطلاعات کلیدی از متغیرهای متعدد استخراج شده توسط روشهای کاهش ابعاد ، مانند تجزیه و تحلیل مؤلفه اصلی (PCA) و فناوری رگرسیون حداقل مربعات جزئی (PLS) ، برای ساختن یک مدل پیش بینی برای دستیابی به ادغام اطلاعات استفاده کرده اند.(Asgharian et al. ، 2013 ؛ Cepni et al. ، 2019 ؛ Poncela et al. ، 2011) ، و آنها توانایی روش های پیش بینی مبتنی بر PCA- و PLS را برای بهبود صحت پیش بینی نوسانات کشف کرده اند. علاوه بر این ، روشهای ترکیبی پیش بینی نیز می تواند به عنوان روشهای ادغام اطلاعات مورد استفاده قرار گیرد ، و ثابت شده است که چنین رویکردهایی برای تولید پیش بینی های دقیق و پایدار مفید است (لیانگ و همکاران ، 2020b ؛ پا ، 2012 ؛ یانگ و همکاران ، 2015 ؛ ژانگو همکاران ، 2020). در سالهای اخیر ، با افزایش سریع قدرت محاسبات و ظهور داده های بزرگ ، تکنیک های یادگیری ماشین در زمینه پیش بینی مالی توجه و کاربرد گسترده ای را به خود جلب کرده اند. به عنوان مثال ، ما و همکاران.(2018) و ژانگ و همکاران.. رویکردهای ترکیبی. مطالعات دیگر اثر پیش بینی برتر فناوری Lasso را اثبات کرده است (NG ، 2013 ؛ Siliverstovs ، 2015) ، و Lasso نیز تمرکز این مقاله است.

به طور خلاصه ، یافتن پیش بینی کننده ها با پیش بینی کننده ترین قدرت برای نوسانات قیمت سهام و روش های پیش بینی که می تواند از اطلاعات پیش بینی شده از پیش بینی کننده های مختلف بهتر استفاده کند ، از اهمیت بالایی برای محققان ، سرمایه گذاران و سیاست گذاران برخوردار است. برای این ملاحظات ، این مقاله به یافتن قدرتمندترین پیش بینی کننده از تعداد زیادی از پیش بینی کننده های بالقوه می پردازد و نقش برخی از روشهای پیش بینی تازه ساخته شده در بهبود دقت پیش بینی نوسانات بورس سهام را با استفاده کامل از اطلاعات پیش بینی شده از یک پیش بینی می کند. تعداد زیادی از پیش بینی کننده های بالقوه.

از نظر پیش بینی کننده های بالقوه ، تحقیقات نشان داده اند که شاخص های عدم قطعیت سیاست اقتصادی ، شاخص های احساسات بازار و شاخص های استرس مالی تمایل به اطلاعات غنی تر و جالب تر از کلان اقتصادی اقتصادی (تولید ناخالص داخلی ، CPI و غیره) و متغیرهای مالی (نرخ ارز ، اوراق قرضه خزانه داری دارند.، و غیره) (Asghariar et al. ، 2013 ؛ Gupta et al. ، 2014 ؛ Li et al. ، 2020b ؛ Wei et al. ، 2017). در همین حال ، مطالعات موجود همچنین مزایای شاخص های سیاست اقتصادی ، شاخص های احساسات بازار و شاخص های استرس مالی را در پیش بینی نوسانات مشخص کرده است (Asghariar et al. ، 2013 ؛ Gupta et al. ، 2014 ؛ Li et al. ، 2020b ؛ Wei et al.، 2017). بنابراین ، ما به کار گوپتا و همکاران اشاره می کنیم.(2014) و پیش بینی نوسانات بازار سهام ایالات متحده با شاخص های عدم قطعیت سیاست اقتصادی ، شاخص های احساسات سرمایه گذار و شاخص های استرس مالی.< SPAN> از نظر پیش بینی کننده های بالقوه ، تحقیقات نشان داده اند که شاخص های عدم قطعیت سیاست اقتصادی ، شاخص های احساسات بازار و شاخص های استرس مالی تمایل دارند اطلاعات غنی تر و جالب تری نسبت به کلان اقتصادی اقتصادی (تولید ناخالص داخلی ، CPI و غیره) و متغیرهای مالی (نرخ ارز، اوراق قرضه خزانه داری ، و غیره) (آسغاریان و همکاران ، 2013 ؛ گوپتا و همکاران ، 2014 ؛ لی و همکاران ، 2020b ؛ وی و همکاران ، 2017). در همین حال ، مطالعات موجود همچنین مزایای شاخص های سیاست اقتصادی ، شاخص های احساسات بازار و شاخص های استرس مالی را در پیش بینی نوسانات مشخص کرده است (Asghariar et al. ، 2013 ؛ Gupta et al. ، 2014 ؛ Li et al. ، 2020b ؛ Wei et al.، 2017). بنابراین ، ما به کار گوپتا و همکاران اشاره می کنیم.(2014) و پیش بینی نوسانات بازار سهام ایالات متحده با شاخص های عدم قطعیت سیاست اقتصادی ، شاخص های احساسات سرمایه گذار و شاخص های استرس مالی. در شرایط پیش بینی کننده های بالقوه ، تحقیقات نشان داده اند که شاخص های عدم اطمینان سیاست اقتصادی ، شاخص های احساسات بازار و شاخص های استرس مالی تمایل به غنی تر دارندو اطلاعات جالب تر از متغیرهای سنتی کلان اقتصادی (تولید ناخالص داخلی ، CPI و غیره) و متغیرهای مالی (نرخ ارز ، اوراق خزانه داری و غیره) (Asghariar et al. ، 2013 ؛ Gupta et al. ، 2014 ؛ Li et al. ، 2020b ؛وی و همکاران ، 2017). در همین حال ، مطالعات موجود همچنین مزایای شاخص های سیاست اقتصادی ، شاخص های احساسات بازار و شاخص های استرس مالی را در پیش بینی نوسانات مشخص کرده است (Asghariar et al. ، 2013 ؛ Gupta et al. ، 2014 ؛ Li et al. ، 2020b ؛ Wei et al.، 2017). بنابراین ، ما به کار گوپتا و همکاران اشاره می کنیم.(2014) و پیش بینی نوسانات بازار سهام ایالات متحده با شاخص های عدم قطعیت سیاست اقتصادی ، شاخص های احساسات سرمایه گذار و شاخص های استرس مالی.

به ادبیات موجود مراجعه کنید ، ما پیش بینی کننده های بالقوه موجود در سه دسته شاخص ها را نهایی کردیم. شاخص های عدم قطعیت سیاست اقتصادی که در این مقاله در نظر گرفته شده است عبارتند از: (1) شاخص عدم قطعیت سیاست اقتصادی جهانی (GEPU) ؛(2) شاخص عدم قطعیت سیاست اقتصادی ایالات متحده (EPU) ؛(3) شاخص عدم قطعیت سیاست پولی ایالات متحده (MPU) ؛(4) شاخص عدم اطمینان سیاست تجارت ایالات متحده (TPU) ؛(5) شاخص عدم اطمینان مراقبت های بهداشتی ایالات متحده (HCU) ؛(6) شاخص نوسانات بازار سهام ایالات متحده (EMV) ؛(7) ردیاب نوسانات بازار سهام عفونی ایالات متحده (IDEMV) ؛(8) شاخص ریسک ژئوپلیتیکی (GPR) ؛و (9) نمایش داده های مربوط به عدم اطمینان اقتصادی ایالات متحده (EURQ). شاخص های احساسات بازار در نظر گرفته شده در این مقاله عبارتند از: (10) شاخص نوسانات CBOE (VIX) ؛(11) شاخص احساسات ISEE (ISEESI) ؛(12) شاخص احساسات خبری (NSI) ؛و (13) شاخص احساسات سرمایه گذار خرده فروشی AAII (AAII). شاخص های استرس مالی که در این مقاله در نظر گرفته شده است عبارتند از: (14) شاخص استرس مالی ارائه شده توسط دفتر تحقیقات مالی (OFRFSI).(15) شاخص استرس مالی ارائه شده توسط سنت لوئیس فدراسیون.(STLFSI). همه این شاخص ها در ادبیات موجود تأثیر قابل توجهی در نوسانات قیمت بازار سهام نشان می دهد ، نشان می دهد که اگرچه همه این شاخص ها به طور مستقیم با بازار سهام مرتبط نیستند ، اما همه آنها حاوی اطلاعات مهمی هستند که به اندازه کافی قابل توجه استنوسانات قیمت سهام سهام (Alqahtani et al. ، 2020b ؛ Arouri et al. ، 2016 ؛ Bai et al. ، 2021 ؛ Bekaert & Hoerova ، 2014 ؛ Das et al. ، 2019 ؛ Dua & tuteja ، 2016 ؛ Gupta et al.، 2014 ؛ او و همکاران ، 2021a ؛ لیانگ و همکاران ، 2020a ؛ Piñeiro-Chousa و همکاران ، 2022 ؛ Smales ، 2017 ؛ Wang et al. ، 2020a ؛ Wen et al. ، 2022 ؛ Yang & Yang ، 2021 ؛یو و همکاران ، 2018). شاخص های عدم قطعیت سیاست اقتصادی به غیر از EMV و IDEMV میزان عدم قطعیت کلان اقتصادی ناشی از انواع مختلف سیاست های اقتصادی یا رویدادهای مهم را ضبط می کنند (بیکر و همکاران ، 2016 ؛ کالدارا و ایکوویلو ، 2018 ؛ هوستد و همکاران ، 2018). به طور کلی ، انتشار سیاست های اقتصادی یا وقوع وقایع مهم اغلب با تأثیرگذاری بر شرایط اقتصادی واقعی منجر به نوسانات قیمت بورس می شود (الاوادی و همکاران ، 2020 ؛ Alqahtani و همکاران ، 2020b ؛ Arouri et al. ، 2016 ؛Bai et al. ، 2021 ؛ Bontempi et al. ، 2021 ؛ He et al. ، 2021a ؛ Hoque & Zaidi ، 2019 ؛ Megaritis et al. ، 2021 ؛ Wen et al. ، 2022 ؛ Yang & yang ، 2021 ؛ Yang et alang ؛. ، 2021) ،

بنابراین بررسی قدرت پیش بینی کننده شاخص های مختلف عدم قطعیت سیاست اقتصادی برای تشخیص نقش عدم قطعیت کلان اقتصادی ناشی از انواع مختلف سیاست های اقتصادی یا رویدادهای مهم در رانندگی نوسانات قیمت سهام مفید است. احساسات بازار همچنین با نوسانات قیمت سهام در ارتباط است زیرا می تواند اهداف سرمایه گذاری یا انتظارات شرکت کنندگان در بازار را منعکس کند. این بر قضاوت ذهنی سرمایه گذاران در مورد بازده آینده آنها تأثیر می گذارد ، که به نوبه خود بر رفتار سرمایه گذاری آنها تأثیر می گذارد و در نهایت باعث نوسانات قیمت سهام سهام می شود (Bekaert & Hoerova ، 2014 ؛ Liang et al. ، 2020a ؛ Oliveira et al. ، 2017 ؛ Perez-Liston etآل. ، 2014 ؛ شاپیرو و همکاران ، 2020). بازارهای مالی لزوماً به هم پیوسته اند ، بنابراین نوسانات قیمت سهام سهام نیز منوط به استرس کل بازار مالی است (داس و همکاران ، 2019 ؛ گوپتا و همکاران ، 2014 ؛ سینگ ، 2016 ؛ مبلغ ، 2014) ، به همین دلیل استما قدرت پیش بینی FSI را در نوسانات بازار سهام بررسی کردیم.

اگرچه توانایی پیش بینی خارج از نمونه اکثر این شاخص ها برای نوسانات بازار سهام توسط ادبیات مورد بحث قرار گرفته است (Alqahtani et al. ، 2020a ؛ Gupta & Wohar ، 2019 ؛ Gupta et al. ، 2014 ؛ Li et al. ، 2020a؛ لیانگ و همکاران ، 2020a ؛ Olasehinde-Williams ، 2021 ؛ Paye ، 2012 ؛ Wang et al. ، 2020a ؛ Yu et al. ، 2018) ، از ادبیات موجود ، شاخص هایی که تأثیر قابل توجهی در نوسانات بازار سهام دارند ممکن است نداشته باشندتوانایی پیش بینی کننده خارج از نمونه از آنجا که شاخص های مختلف معمولاً بر نوسانات قیمت بورس با شدت ها و مسیرها تأثیر می گذارد (لیانگ و همکاران ، 2020a ؛ لیو و وانگ ، 2020 ؛ Nonejad ، 2017 ؛ Wang et al. ، 2020b). در همین حال ، برخی از شاخص ها ، مانند HCU و IDEMV ، فقط به دلیل وقوع برخی از وقایع (به عنوان مثال ، Covid-19) تأثیر بیشتری بر نوسانات بورس دارند (به عنوان مثال ، Bai et al. ، 2021 ؛ Li et al. ، 2020c)واداین همچنین به همین دلیل است که قدرت پیش بینی کننده خارج از نمونه برخی از پیش بینی کننده های بالقوه در نظر گرفته شده در این مقاله ، یعنی HCU ، IDEMV و EURQ ، در مورد نوسانات بازار سهام هنوز مورد بحث قرار نگرفته است. پاورقی 1 علاوه بر این ، این بدان معنی است که قدرت پیش بینی برخی از پیش بینی کننده های بالقوه انتخاب شده در این مقاله ممکن است قوی نباشد. بنابراین ، این دلالت خاصی برای محققان و شرکت کنندگان در بورس سهام دارد که نقش برخی از روشهای پیش بینی تازه ساخته شده در بهبود دقت پیش بینی کننده نوسانات بورس را با استفاده کامل از اطلاعات پیش بینی کننده تعداد زیادی از پیش بینی کننده های بالقوه بررسی کنند. با توجه به اینکه روشهای پیش بینی ترکیبی ، روشهای کاهش ابعاد و تکنیکهای لاسو در مطالعات مربوط به پیش بینی نوسانات دارایی با تعداد زیادی از پیش بینی کننده های بالقوه مورد استفاده قرار می گیرند ، این مقاله همچنین بر مقایسه نقش این روشها در بهبود صحت پیش بینی نوسانات بورس سهام متمرکز است. وادبا این حال ، متفاوت از ادبیات موجود ، ما عمدتاً عملکرد پیش بینی این روش ها را در چارچوب مدل MIDAS-RV مقایسه می کنیم.

برای سال‌ها، چندین مدل از جمله مدل‌های کلاس GARCH، مدل‌های HAR-RV و شبکه‌های عصبی و غیره به طور گسترده در پیش‌بینی نوسانات دارایی‌های مالی استفاده می‌شوند (Bekaert & Hoerova, 2014؛ Corsi, 2009؛ Litimi et al., 2019؛ Ma et al. همکاران، 2019؛ سانتوس و زیگلمان، 2014؛ تیان و همکاران، 2017؛ وانگ و همکاران، 2020b؛ یانگ و همکاران، 2021). در میان آنها، مدل HAR-RV رایج ترین مورد استفاده در پیش بینی نوسانات با فرکانس بالا است (Ma et al., 2019; Santos & Ziegelmann, 2014; Tian et al., 2017). با این حال، متفاوت از بسیاری از این متون، ما عمدتاً از مدل MIDAS-RV و چندین پسوند آن برای پیش‌بینی نوسانات بازار سهام استفاده می‌کنیم. این مقاله مربوط به کار لیو و همکاران است.(2020)، که نوسانات ماهانه بازار سهام را با متغیرهای کلان اقتصادی و مالی و همچنین شاخص‌های فنی با استفاده از روش‌های پیش‌بینی ترکیبی مبتنی بر AR، روش‌های کاهش ابعاد و تکنیک‌های LASSO پیش‌بینی کرد. در مقابل، ما توانایی‌های 9 شاخص عدم قطعیت سیاست اقتصادی، 4 شاخص تمایل بازار و 2 شاخص استرس مالی را برای پیش‌بینی نوسانات واقعی بازار سهام بررسی می‌کنیم. علاوه بر این، ما یک مدل MIDAS-LASSO را با ترکیب تکنیک LASSO با روش MIDAS-RV، با اشاره به Marsilli (2014) می سازیم و عملکرد پیش بینی خارج از نمونه آن را با مدل MIDAS-RV-X مقایسه می کنیم. مدل MIDAS-RV گسترش یافته توسط پیش بینی X اضافی)، مدل MIDAS-RV-PCA (مدل MIDAS-RV توسعه یافته توسط فناوری PCA)، مدل MIDAS-RV-PLS (مدل MIDAS-RV توسعه یافته توسط فناوری PLS) و برخیروش‌های پیش‌بینی ترکیبی رایج (میانگین، میانه، میانگین برش‌دهی شده، DMSPE (1. 0) و DMSPE (0. 9)، DMA و DMS). با این حال، مطالعات نشان داده‌اند که یک مدل با تغییر رژیم می‌تواند در پیش‌بینی نوسانات دارایی کارآمدتر باشد (تیان و همکاران، 2016؛ اودین و همکاران، 2018؛ وانگ و همکاران، 2016b) نسبت به مدل بدون تغییر رژیم، و ما را وادار می‌کند. کنجکاو است که آیا مدل MIDAS-LASSO با تغییر رژیم نیز می تواند دقت پیش بینی نوسانات بازار سهام را تا حد زیادی بهبود بخشد. بنابراین، ما بیشتر یک مدل MIDAS-LASSO با رژیم مارکوف (MS-MIDAS-LASSO) می سازیم و عملکرد پیش بینی آن را ارزیابی می کنیم.

دلایل اصلی ما برای ساخت این مدلهای پسوند بر اساس مدل MIDAS-RV به شرح زیر است. اول ، در مقایسه با مدل HAR-RV که به طور گسترده استفاده می شود ، مدل MIDAS-RV می تواند ناهمگونی را بهتر منعکس کند زیرا فرآیند تخمین مدل MIDAS-RV در درجه اول از یک عملکرد خاص برای تعیین وزن سری RV عقب مانده چند مرتبه استفاده می کند ، در حالی کهمدل HAR-RV به طور مستقیم میانگین وزنی سری 1 هفته عقب مانده و 1 ماهه RV را محاسبه می کند (Ghysels et al. ، 2006 ؛ Lu et al. ، 2020 ؛ Santos & Ziegelmann ، 2014). دوم ، مدل سازی نوسانات دارایی با استفاده از مدل MIDAS-RV و پسوندهای آن می تواند بهتر از اثرات تاخیر چند منظوره پیش بینی کننده های بالقوه بر نوسانات با فرکانس بالا با تخمین پارامتر کمتر از مدل HAR-RV منعکس شود و کمتر در معرض مشکلات بیش از حد است (Ghysels et al. ، 2006 ؛ Lu et al. ، 2020 ؛ Santos & Ziegelmann ، 2014). سوم ، مطالعات ثابت کرده اند که مدل MIDAS-RV می تواند اطلاعات پیش بینی معتبر تری را از پیش بینی کننده ها بدست آورد و عملکرد پیش بینی بهتری نسبت به مدل HAR-RV دارد (ما و همکاران ، 2019 ؛ سانتوس و زیگلمان ، 2014). سرانجام ، تا آنجا که ما می دانیم ، هیچ تحقیقاتی وجود ندارد که پیش بینی می کند بازار سهام نوسانات توسط مدل Midas-Lasso و پسوند تعویض رژیم آن را تحقق بخشد.

برای جستجوی بهترین پیش بینی کننده ها و روش پیش بینی ، ما عملکرد پیش بینی مطلق و نسبی مدل های توضیح داده شده در بالا را با روش های مختلف ارزیابی ، از جمله آزمون مجموعه اعتماد به نفس مدل (MCS) ، خارج از نمونه R 2 ، جهت تغییر ارزیابی می کنیم.(DOC) آزمون ، تجزیه و تحلیل عملکرد نمونه کارها و تجزیه و تحلیل اختلاف کام. علاوه بر این ، استحکام نتایج ارزیابی با استفاده از یک مدل معیار جایگزین ، تاخیر جایگزین و پنجره نورد جایگزین بررسی می شود. ما همچنین برخی از تجزیه و تحلیل های پسوند را انجام می دهیم. اول ، ما عملکرد پیش بینی شده از چارچوب Midas-Lasso را که در این مقاله (مدل Midas-Lasso و MS-Midas-Lasso) با چارچوب سنتی Har-Lasso (مدل Har-Lasso و MS-HAR) مقایسه می کنیم ، مقایسه می کنیم. مد ل-لاسو). علاوه بر این ، ما عملکرد پیش بینی روشهای پیش بینی را در دوره های بالا و کم حجم بررسی می کنیم. سرانجام ، ما همچنین در مورد عملکرد پیش بینی مدل های پیش بینی در طول COVID-19 بحث می کنیم.

به طور خلاصه ، این مقاله از جنبه های زیر به ادبیات موجود کمک می کند. اول ، ما به طور جامع قدرت پیش بینی کننده شاخص های عدم قطعیت سیاست اقتصادی ، شاخص های احساسات بازار و شاخص های استرس مالی را با توجه به نوسانات تحقق یافته بازارهای سهام آمریکا بررسی می کنیم. دوم ، ما نوسانات تحقق یافته بازار سهام را با برخی از پسوندهای MIDAS-RV پیش بینی می کنیم. به طور خاص ، ما مدل MIDAS-Lasso و پسوند سوئیچینگ رژیم آن را می سازیم ، که به دانش ما هنوز در ادبیات برای پیش بینی بازار سهام روزانه تحقق نوسانات استفاده نشده است. سوم ، ما بیشتر عملکرد پیش بینی چارچوب Midas-Lasso را با چارچوب سنتی هار-لاسو مقایسه می کنیم. سرانجام ، ما بحث می کنیم که آیا این مدل های پیش بینی در دوره های بالا و کم حجم و در طول COVID-19 معتبر هستند.

برخی از یافته های قابل توجه در این مقاله به دست آمده است. اول ، در مقایسه با شاخص های استرس مالی و شاخص های احساسات بازار (به جز VIX) ، شاخص های عدم اطمینان سیاست اقتصادی (به ویژه EMV) و VIX قابل توجه تر هستند. در بین این پیش بینی کنندگان ، VIX بهترین توانایی پیش بینی کننده را دارد ، اما قدرت پیش بینی کننده آن در طول اپیدمی COVID-19 تضعیف شده است و EMV را به بهترین پیش بینی کننده در این دوره خاص تبدیل می کند. شاخص های استرس مالی و شاخص های احساسات بازار به جز VIX عمدتاً در افزایش دقت نوسانات بازار سهام در دوره هایی با نوسانات کم نقش دارند. دوم ، در تمام روشهای پیش بینی در نظر گرفته شده ، MS-Midas-Lasso بهترین عملکرد پیش بینی خارج از نمونه را دارد و به دنبال آن مدل Midas-Lasso است. دقت پیش بینی مدل MS-Midas-Lasso حتی از مدل سنتی Har-Lasso و پسوند سوئیچینگ رژیم آن نیز بهتر است. علاوه بر این ، مدل MS-Midas-Lasso هنوز هم بالاترین دقت پیش بینی را در دوره کمتری دارد که دقت پیش بینی مدل MIDAS-Lasso به طور قابل توجهی کاهش می یابد. سرانجام ، عملکرد پیش بینی کننده مدل MS-Midas-Lasso حتی در دوره ویژه اپیدمی COVID-19 بهترین بود.

ادامه مقاله به شرح زیر تدوین شده است. بخش 2 مدل های پیش بینی مربوطه را شرح می دهد. بخش 3 داده های مورد استفاده در این مقاله را خلاصه می کند. بخش 4 نتایج پیش بینی های خارج از نمونه را مورد بحث قرار می دهد. بخش 5 تجزیه و تحلیل پسوند و فرقه را ارائه می دهد. 6 نتیجه گیری این مقاله است.

روش شناسی

چارچوب رگرسیون Midas

ما با تعریفی از نوسانات تحقق یافته (RV) در یک روز معامله خاص t شروع می کنیم. با توجه به تعریف اندرسن و بولرزلف (1998) ، RV در روز T معمولاً به عنوان مجموع مربعات بازده داده های معاملاتی با فرکانس بالا در داخل کشور ساخته می شود: