1
گروه مدیریت مالی، دانشگاه امام صادق(ع)، تهران، ایران
2
عضو هیات علمی دانشکده اقتصاد، دانشگاه امام صادق(ع).
10.30473/jier.2026.78746.1554
چکیده
پیش‌بینی نوسان، رکن مدیریت ریسک و تخصیص سرمایه در بازار سهام است؛ اما رفتار غیرخطی و رژیم‌محور نوسان در بورس ایران، انتخاب میان مدل‌های کلاسیک و یادگیری عمیق را دشوار و برای مدیریت ریسک صنعتی حیاتی می‌سازد. این پژوهش لگاریتم واریانس روزانه (جانشین مبتنی بر قیمت پایانی برای نوسان تحقق‌یافته، در نبود داده‌ی درون‌روزی) دو شاخص کل و هم‌وزن بورس تهران را در بازه‌ی ۱۳۹۴ تا ۱۴۰۴ مدل‌سازی و پیش‌بینی می‌کند. سه مدل کلاسیک (آریما، گارچ و هار) با چهار معماری یادگیری عمیق (حافظه‌ی کوتاه‌مدت بلند، پیچشی-حافظه، ترنسفورمر و پچ‌تی‌اس‌تی) در افق‌های روزانه، هفتگی و ماهانه، زیر معیارهای میانگین قدرمطلق خطا، ریشه‌ی میانگین مربعات خطا و شبه‌درست‌نمایی مقاوم (QLIKE)، و با آزمون‌های دیبولد-ماریانو و مجموعه‌ی اطمینان مدل مقایسه شدند. یافته‌ها واگرایی نظام‌مندی میان معیارها نشان می‌دهند: آریما و هار کمترین خطا را در فضای لگاریتمی دارند اما بدترین شبه‌درست‌نمایی را ثبت می‌کنند، زیرا در جهش‌های نوسان واریانس را کم‌برآورد می‌کنند و این معیار چنین کم‌برآوردی را به‌شدت جریمه می‌کند. زیر شبه‌درست‌نمایی، گارچ در افق‌های کوتاه و بلند کمترین خطا را دارد، حال آنکه مدل‌های یادگیری عمیق، به‌ویژه ترنسفورمر، در افق میان‌مدت برتری عددی می‌یابند؛ اما مجموعه‌ی اطمینان مدل نشان می‌دهد این تفاوت‌ها معنادار نیستند و گارچ در هر شش ترکیب شاخص-افق رقابتی باقی می‌ماند. مدل‌های یادگیری عمیق عمدتاً بر اطلاعات اخیر تکیه دارند و در رژیم پرنوسان رونق ۱۳۹۷-۱۳۹۹ به‌شدت افت می‌کنند. در مجموع، هیچ خانواده‌ی مدلی مسلط نیست، اما گارچ معیاری مقاوم و رقابتی است و شبه‌درست‌نمایی برای انتخاب مدل حساس به ریسک ضروری است.
)