در عصر حاضر بازارها محدود به مکان جغرافیایی خاصی نیستند و اهمیت این مساله در اتخاذ تصمیمات اثر بخش تر فعالان اقتصادی نمود پیدا می کند زیرا بازار های مالی جهانی اغلب راهنمای با ارزشی برای بازار های داخلی و خارجی بشمار می آیند. در این تحقیق، چگونگی مکانیسم تاثیرات تلاطمات بازده بازار های سهام نیویورگ، لندن و توکیو بر بازار سهام تهران در بازه زمانی (15 ژانویه 1999 تا 15 ژانویه 2015) با استفاده از مدل خود رگرسیون نا همسان واریانس شرطی چند متغییره مورد بررسی و مطالعه قرار گرفته است. تاثیر تلاطمات بازار های سهام نیویورگ، توکیو و لندن بر بازار سهام تهران از لحاظ آماری معنادار و تایید شد. همچنین نتایج بدست امده حاکی از اثر پذیری تمام بازار های سهام مورد مطالعه از تلاطمات با وقفه خود می باشد.

برآورد تلاطم دارایی های مالی کاربرد فراوان در علم مالی دارد. از آنجاکه واریانس شرطی برگرفته شده از مدل گارچ میتواند سنجه مناسبی برای برآورد تلاطم باشد، این مدل ها از اهمیت بالایی برخوردار هستند. از کاربردهای برآورد واریانس شرطی می توان به ارزش گذاری اختیار معامله، انتخاب پورتفوی بهینه و مدیریت ریسک اشاره نمود. یکی از جدیدترین روش های برآورد واریانس شرطی، روش گارچ تحقق یافته می باشد که در آن واریانس شرطی و تلاطم تحقق یافته درون دوره ای به صورت همزمان مدلسازی می شود. در این مقاله واریانس شرطی با روش های GARCH، EGARCH و GJR-GARCH و همچنین مدل RGARCH با دو معیار مختلف از تلاطم تحقق یافته درون دوره ای شاخص کل بورس تهران در فاصله زمانی آبان سال 1388 تا مهر 1395 محاسبه و در نهایت مقایسه شده است. برای ارزیابی خوبی برازش از مقدار تابع درست نمایی استفاده شده است: با توجه به این معیار، مدل های گارچ تحقق یافته از خوبی برازش بالاتری بر داده های درون نمونه برخوردار بوده اند. برای ارزیابی دقت پیش بینی واریانس شرطی نیز از روش پنجره غلتان با دو تابع زیان MSE و QLIKE استفاده شده است. نتایج حاکی از آن است که مدل های گارچ تحقق یافته چه در برازش داده و چه در پیش بینی واریانس شرطی(تلاطم) شاخص بورس تهران از دقت بیشتری برخوردار هستند. از این رو استفاده از مدل گارچ تحقق یافته مدل در کارهای عملی نظیر ارزش گذاری و مدیریت ریسک، به دقیق تر شدن برآوردها منجر می شود.

این پژوهش تلاشی در جهت معرفی یک الگوی مطلوب به منظور مدل سازی و پیش بینی نوسانات قیمت نفت خام ایران می باشد. در این راستا از داده های هفتگی قیمت نفت خام سنگین ایران، طی دوره زمانی هفته اول 1/1997 الی هفته دوم 11/2011 استفاده شده است. بر این اساس، وجود ویژگی حافظه بلندمدت در معادلات میانگین و واریانس سری بازده قیمت نفت خام، مورد ارزیابی و مدل سازی قرار گرفته است و نتایج این تحقیق، موید وجود این ویژگی در هر دو معادله میانگین و واریانس سری مذکور می باشد. از بین مدل هایی که در این مطالعه مورد بررسی قرار گرفته، بر اساس معیارهای اطلاعات و نیز MSE، مدل های ARFIMA (1,1) - GARCH به ترتیب، به عنوان بهترین مدل، به جهت مدل سازی و پیش بینی نوسانات قیمت نفت خام سنگین ایران در دوره مورد بررسی، انتخاب شده است.

مدیریت منابع ارزی در ایران به علت وجود درآمدهای ارزی عمده که از فروش نفت حاصل می شود، از اهمیت به سزایی برخوردار است. برنامه ریزی صحیح، می تواند از تحمیل هزینه های ناشی از مدیریت نامناسب این منابع جلوگیری نماید. بنابراین، در این پژوهش تلاش می کنیم تا به ارایه چارچوبی به منظور طراحی سبد بهینه برای آن بخش از درآمدهای ارزی که با هدف سرمایه گذاری نگهداری می شوند، بپردازیم. بر این اساس، با استفاده از بازده های روزانه ارز که بر مبنای داده های موجود در بازار ارز در سال های 2000 تا 2008 میلادی به دست آمده است، ترکیبی موزون و بهینه از ارزهای رایج با به کارگیری مدل های خودرگرسیونی واریانس ناهمسان شرطی تعمیم یافته تک متغیره و چند متغیره، با هدف حداکثر نمودن بازده مورد انتظار و تحت محدودیت ارزش در معرض ریسک پیشنهاد می شود. در نهایت، مدل های مورد استفاده با به کارگیری آزمون بازخور مورد ارزیابی قرار گرفته و بهترین مدل انتخاب می شود. نتایج این پژوهش برتری مدل GARCH چند متغیره را نسبت به تک متغیره در تخصیص سبد بهینه ارز نشان می دهد.

در این مقاله، تاثیر «نااطمینانی اقتصادی» بر تقاضای پول برای دوره زمانی (1386-1352) در کشور ایران، بررسی می شود. برای این منظور با استفاده از یک تئوری تعادل عمومی نشان داده شده است که علی رغم وجود «نااطمینانی های اقتصادی»، بسیاری از کارگزاران ریسک گریز با در نظرگرفتن تاثیرات چنین نااطمینانی هایی پورت فولیوی خود را می سازند و تقاضای پول را به صورت تابعی از درآمد دائمی و نرخ بهره  و یک شاخص عدم اطمینان اقتصادی در نظر می گیرند. لذا نویسندگان با به کارگیری مدل های خانواده ARCH/GARCH، شاخصی را به عنوان «نااطمینانی اقتصادی» را به کار می برند، که  این شاخص، ترکیبی از بی ثباتی های موجود در متغیرهای تاثیرگذار بر تقاضای پول در ایران است،  این متغیرها عبارتند از: نرخ ارز، نرخ های سود بانکی، تورم، بازار سهام، تولید ناخالص ملی. پس از محاسبه شاخص نااطمینانی اقتصادی، از یک مدل لگاریتمی، با استفاده از روش هم گرایی خود توضیحی با وقفه های گسترده (ARDL)، برای تخمین مدل تقاضای پول استفاده شده است. نتایج تخمینی آزمون های  ARDLو ECM بیانگر این مطلب هستند که به طورکلی، افزایش نااطمینانی اقتصادی، منجر به کاهش تقاضای پول در ایران می شود.

ریسک بازار از عدم اطمینان در خصوص بازدهی آتی دارائی ها در بازار نشات می گیرد. امروزه معیارهای مختلفی برای بررسی انواع ریسک مرتبط با بازار، سبدهای مختلف دارائی، صنایع و ... به کار می روند. اما هر چند این معیارهای مختلف، اطلاعات ارزشمندی را برای فعالان بازار به همراه می آورند، لیکن هر یک به تنهایی نمی توانند اطلاعات جامع و کاملی را در خصوص ریسک بازار و یا سبد سهام به دست دهند. به همین منظور، «ارزش در معرض خطر» که به اختصار VaR نامیده می شود، تلاشی است برای اینکه عدد معینی در خصوص ریسک بازار و یا سبد سهام به تحلیل گران و فعالان بازار ارائه کند.در این تحقیق از کلیه مدل های مبتنی بر واریانس ناهمسانی شرطی شامل GARCH، EGARCH، CGARCH،TARCH  و GARCH-M و روش شبکه عصبی مصنوعی برای پیش بینی ارزش در معرض خطر پرتفویی متشکل از 50 شرکت با نقدشوندگی بالا استفاده شده است. سپس نتایج به دست آمده با استفاده از آزمون های پوشش غیرشرطی کوپیک مورد بررسی قرار گرفت. در نهایت مدل شبکه عصبی در مقایسه با سایر روش های مبتنی بر واریانس ناهمسانی شرطی، عملکرد بهتری را بر اساس آزمون کوپیک داشته است.

پیش بینی نوسان یکی از مسایل بسیار مهم در بازارهای مالی است که توجه بسیاری از پژوهشگران دانشگاهی و کارشناسان این حوزه را در چند دهه ی گذشته به خود جلب کرده است. در پژوهش حاضر با توجه به این ضرورت، به بررسی مدلسازی و پیش بینی نوسان بازار سهام با استفاده از ترکیب شبکه های عصبی مصنوعی و الگوهای واریانس شرطی پرداخته می شود. در این تحقیق از شبکه های عصبی پرسپترون چند لایه (MLP)، مدل های ناهمسانی واریانس شرطی (ARCH) و الگوی خود رگرسیو واریانس شرطی GARCH (P, Q)استفاده شده است. جامعه آماری تحقیق، شاخص بورس تهران برای دوره زمانی فروردین سال 1387 تا فروردین سال 1397 می باشد. تحقیق به دنبال رد یا تایید این فرضیه است که "استفاده ازالگوی ترکیب شبکه عصبی مصنوعی و مدل های واریانس شرطی دقت پیش بینی نوسان بازار سهام در بورس اوراق بهادار تهران را نسبت به الگوی وریانس شرطی افزایش می دهد". نتایج بدست آمده، صحت فرضیه فوق را تایید می نماید.