نمذجة تقلبات العوائد اليومية لمؤشر DAX30 باستخدام نموذج  EGARCH

جازية  أعراب; بشير بلغيث

doi:10.34118/djei.v11i2.740

جازية أعراب جامعة البليدة
بشير بلغيث جامعة البليدة

##plugins.pubIds.doi.readerDisplayName##: https://doi.org/10.34118/djei.v11i2.740

Résumé

تتميّز السلاسل المالية عن باقي السلاسل الزمنية بمجموعة من الخصائص فغالبا ما تكون سلسلة أسعار الأصول غير مستقرة بينما سلسلة عوائد هذه الأصول تكون مستقرة ،كما أنها تمتاز بخاصية تجمع التقلبات أما توزيعها فله ذيول سميكة وتفرطح حاد بالإضافة إلى أنها تحتوي على أثر الرافعة المالية.

تهدف هذه الورقة البحثية إلى دراسة أثر المعلومات السيئة والجيّدة على تقلبات عوائد الأوراق المالية في بورصة فرانكفورت الألمانية باستخدام البيانات اليومية لـــــ 1264 مشاهدة من 01/09/2014 إلى 30/08/2019 متعلقة بمؤشر Dax30 وتطبيق نماذج فئة GARCH المتناظرة وغير المتناظرة ،جاءت النتائج لتبيّن أن النموذج غير المتناظر EGARCH(1,1) هو أحسن نموذج لتقدير تقلبات هذا المؤشر والتي تكون فيه الصدمات السالبة تأثير أكبر من الصدمات الموجبة.

##plugins.generic.usageStats.downloads##

##plugins.generic.usageStats.noStats##

Références

بشير بلغيث، و صدر الدين صواليلي. (2018). نمذجة تقلبات العوائد اليومية لمؤشر CAC40 بتطبيق نموذج APGARCH. Revue des réforme economique et intégration en economie mondiale ، العدد 13 الرقم 26.

محمد شيخي، و علي بن ضب. (2017). الاقتصاد القياسي المالي وتطبيقاته في الأسواق المالية (المجلد الطبعة الأولى). عمان، الأردن: دار حامد للنشر والتوزيع.

Belghith, B, & Soualili, S. (2018). modeling the volatility of daily return of cac40 index using APAGARCH model. Reform economic & integration of economie international. Volume 13 N°26.

Chikhi, M, & Ben dab, A. (2017). Financial econometrics and its applications in financial markets. 1st edition , Amman Jordani: edition hamid.

Bollerslev, T. (1986). Generalized Autoregressive Conditional Heteroskedasticity. Journal of Econometrics , volume 31 ; Issue 03.

Bourse de Francfort. (2019). Consulté le février 17, 2019, sur edu bourse: https://www.edubourse.com/auide-bourse/bourse-de-francfort.php

Cont, R. (2006). Volatility clustering in financial markets empirical facts and agent based models. centre de mathématique appliqués , E-91128.

Contents, C. (20 septembre 1993). This Weeks Citation Classic. cc/ number 38.

Dahlvid, C., & Granberg, P. (2017). The Leverage Effect : Uncovering the true nature of U.S asymmetric volatility. Finance. U.S.A: Lund University.

Daily, F. (2018). DAX 30. Consulté le Mars 03, 2019, sur Daily FX: https://www.dailyfx.com/français/dax-30

Danielsson, J. (2001). Financial Risk Forecasting. Chicago: Wiley Finance John Wiley & Sons LTD.

Glosten, L., Jagannathan, R., & Run, D. (1993). On The Relation between the expected value and the volatility of nominal excess return on stocks. the of Finance , 48 (05).

Gujarati, D. (2011). Econometrics by example. British Library: Palgrave Macmillan First published.

Nelson, D. (1991). Conditional Heteroskedasticity in Asset Return a new Approach. Econometrica , 59 (02), 347-370.

P Sidorov, S. (2010). An investigation into using news analytics data in GARCH type volatility models. London: BRUNEL University.

Panait, I. O. (2012). Using GARCH-in-Mean Model to investigate volatility and persistence at different frequencies for Bucharest stock exchange 1997-2012. Theoretical and applied economies volume xix n°05 .

Salisu, A. (2019, Janvier 28). Asymmetric GARCH Models. Retrieved septembre 27, 2019, from research gate: https://www.researchgate.net

Saltoglu, B. (2017). Volatility Modelling. Econometrics of Finance , EC 58 d.

Tsay, R. (2002). Analysis of financial time series. University of chicago: John Wiley & Sons INC.