DOI: https://doi.org/10.1186/s40854-025-00809-5
تاريخ النشر: 2026-01-06
المؤلف: Radmir Mishelevich Leushuis وآخرون
الموضوع الرئيسي: طرق التنبؤ بسوق الأسهم
نظرة عامة
يوفر هذا القسم نظرة شاملة على تقلبات سوق الأسهم ونماذج التنبؤ المستخدمة للتنبؤ بالتقلبات المحققة. تسلط المقدمة الضوء على تطور الصناعة المالية، مع التأكيد على أهمية تسعير المشتقات بدقة، حيث يعتبر التقلب متغيرًا حاسمًا يعكس تقلبات أسعار الأصول. تتناول مراجعة الأدبيات سؤالين بحثيين رئيسيين يتعلقان بأنواع نماذج التنبؤ المستخدمة في الأبحاث الأكاديمية وفعاليتها في التقاط الخصائص التجريبية الرئيسية للتقلبات المحققة.
تحدد المراجعة 32 نموذجًا فريدًا عبر 41 مقالة نُشرت بين عام 2000 ومنتصف 2024، مصنفة إياها إلى ثلاث مجموعات: النماذج الخطية (مثل ARIMA، HAR)، نماذج التعلم الآلي (ML) (مثل الانحدارات المنتظمة، النماذج المعتمدة على الأشجار)، ونماذج التعلم العميق (DL) (مثل CNNs، LSTMs، Transformers). بينما تلتقط النماذج الخطية ميزات التقلب الأساسية بشكل فعال، فإنها غالبًا ما تفتقر إلى دقة التنبؤ بسبب عدم قدرتها على التعامل مع التعقيدات غير الخطية. في المقابل، تحسن نماذج ML الدقة من خلال التقاط الأنماط غير الخطية وإظهار المرونة تجاه تحولات السوق. تظهر نماذج DL، وخاصة Transformers، أعلى دقة في التنبؤ من خلال معالجة قيود النماذج التقليدية بشكل فعال. تؤكد النتائج على أهمية اختيار النموذج بناءً على أهداف التنبؤ وتوافر البيانات، بينما تقترح أيضًا اتجاهات بحث مستقبلية، بما في ذلك تطوير نماذج هجينة وتحسين كفاءة حسابات DL.
نقاش
يؤكد النقاش حول التقلب النظري على ارتباطه بالحركة البراونية، التي تُعَد نماذج تحركات أسعار الأصول كمسارات عشوائية. تواجه النماذج التقليدية، مثل تلك التي اقترحها باتشلييه وسامويلسون، تحديات بسبب قيود عدم سلبية أسعار الأصول. وبالتالي، يتم نمذجة العوائد بدلاً من ذلك، مما يؤدي إلى عملية انتشار لوغاريتمية. بينما يُعتبر افتراض التقلب الثابت شائعًا، تكشف الدراسات التجريبية عن تباين زمني كبير، مما يدفع إلى تطوير نماذج التقلب العشوائي (SV) التي تعالج التقلب كمتغير عشوائي. تسمح هذه النماذج بفهم أكثر دقة لديناميات التقلب، مع دمج ميزات مثل التجميع والذيل السميك، والتي تعتبر ضرورية لالتقاط سلوك السوق بدقة.
يعتبر التقلب المحقق، المستمد من بيانات العوائد عالية التردد، تقديرًا عمليًا للتباين المتكامل، الذي لا يمكن ملاحظته مباشرة بسبب قيود بيانات السوق المتقطعة. يوفر التباين المحقق تقديرًا قويًا للتباين المتكامل، حيث يتقارب إلى التقلب الحقيقي مع زيادة حجم العينة. يحدد القسم أيضًا ست خصائص تجريبية للتقلب—الارتباط الذاتي، عدم التماثل، الكورتوزيس العالي، العودة إلى المتوسط، الموسمية، والحركة المشتركة—التي تعتبر حاسمة لنماذج التنبؤ. تحدد المراجعة اللاحقة وتقوم بتصنيف 32 نموذجًا للتنبؤ من الأدبيات الأكاديمية، مع التركيز على قدرتها على معالجة هذه الخصائص وتحسين دقة التنبؤ، وبالتالي سد الفجوة بين المفاهيم النظرية والملاحظات التجريبية في الأسواق المالية.
DOI: https://doi.org/10.1186/s40854-025-00809-5
Publication Date: 2026-01-06
Author(s): Radmir Mishelevich Leushuis et al.
Primary Topic: Stock Market Forecasting Methods
Overview
This section provides a comprehensive overview of stock market volatility and the forecasting models used to predict realized volatility. The introduction highlights the evolution of the financial industry, emphasizing the importance of accurately pricing derivatives, where volatility serves as a crucial variable reflecting asset price fluctuations. The literature survey addresses two primary research questions regarding the types of forecasting models used in academic research and their effectiveness in capturing key empirical characteristics of realized volatility.
The survey identifies 32 unique models across 41 articles published between 2000 and mid-2024, categorizing them into three groups: linear models (e.g., ARIMA, HAR), machine learning (ML) models (e.g., regularized regressions, tree-based models), and deep learning (DL) models (e.g., CNNs, LSTMs, Transformers). While linear models effectively capture basic volatility features, they often lack forecasting accuracy due to their inability to handle complex nonlinearities. In contrast, ML models improve accuracy by capturing nonlinear patterns and exhibiting resilience to market shifts. DL models, particularly Transformers, demonstrate the highest forecasting accuracy by effectively addressing the limitations of traditional models. The findings underscore the importance of model selection based on forecasting goals and data availability, while also suggesting future research directions, including the development of hybrid models and enhancements in DL computational efficiency.
Discussion
The discussion on theoretical volatility emphasizes its connection to Brownian motion, which models asset price movements as random paths. Traditional models, such as those proposed by Bachelier and Samuelson, face challenges due to the non-negativity constraint of asset prices. Consequently, returns are modeled instead, leading to a log-normal diffusion process. While the assumption of constant volatility is prevalent, empirical studies reveal significant time variation, prompting the development of stochastic volatility (SV) models that treat volatility as a random variable. These models allow for a more nuanced understanding of volatility dynamics, incorporating features like clustering and fat tails, which are essential for accurately capturing market behavior.
Realized volatility, derived from high-frequency return data, serves as a practical approximation of integrated variance, which cannot be directly observed due to the limitations of discrete market data. The realized variance provides a robust estimator of integrated variance, converging to true volatility as the sample size increases. The section further outlines six empirical characteristics of volatility—autocorrelation, asymmetry, leptokurtosis, mean reversion, seasonality, and co-movement—that are critical for forecasting models. The subsequent survey identifies and categorizes 32 forecasting models from academic literature, focusing on their ability to address these characteristics and improve forecasting accuracy, thereby bridging the gap between theoretical constructs and empirical observations in financial markets.