A Hybrid Fuzzy GJR-GARCH Modeling Approach for Stock Market Volatility Forecasting

Modelo Híbrido GJR-GARCH Nebuloso para a Previsão da Volatilidade em Mercados de Ações

dc.creatorMaciel, Leandro
dc.date2012-10-17
dc.date.accessioned2022-11-03T20:58:52Z
dc.date.available2022-11-03T20:58:52Z
dc.identifierhttps://bibliotecadigital.fgv.br/ojs/index.php/rbfin/article/view/3871
dc.identifier.urihttps://repositorioslatinoamericanos.uchile.cl/handle/2250/5044475
dc.descriptionForecasting stock market returns volatility is a challenging task that has attracted the attention of market practitioners, regulators and academics in recent years. This paper proposes a Fuzzy GJR-GARCH model to forecast the volatility of S&P 500 and Ibovespa indexes. The model comprises both the concept of fuzzy inference systems and GJR-GARCH modeling approach in order to consider the principles of time-varying volatility, leverage effects and volatility clustering, in which changes are cataloged by similarity. Moreover, a differential evolution (DE) algorithm is suggested to solve the problem of Fuzzy GJR-GARCH parameters estimation. The results indicate that the proposed method offers significant improvements in volatility forecasting performance in comparison with GARCH-type models and with a current Fuzzy-GARCH model reported in the literature. Furthermore, the DE-based algorithm aims to achieve an optimal solution with a rapid convergence rate.en-US
dc.descriptionA previsão da volatilidade dos retornos de ativos financeiros é uma abordagem desafiadora e tem atraído a atenção de participantes do mercado, reguladores e acadêmicos nos anos recentes. Este artigo propõe um modelo GJR-GARCH nebuloso para a previsão da volatilidade dos índices S&P 500 e Ibovespa. O modelo combina os conceitos de sistemas de inferência nebulosos e a abordagem GJR-GARCH para considerar os príncipios de variância condicional, efeitos de alavancagem e agrupamentos de volatilidade, em que as flutuações são associadas por similaridade. Além disso, um algoritmo de evolução diferencial (ED) é sugerido para solucionar o problema de estimação dos parâmetros do modelo GJR-GARCH nebuloso. Os resultados indicaram que o método proposto permitiu uma melhor capacidade de previsão da volatilidade em comparação com modelos da família GARCH e com um modelo GARCH nebuloso recentemente proposto na literatura. Além disso, o algoritmo de ED considerado obteve soluções ótimas com uma rápida taxa de convergência.pt-BR
dc.formatapplication/pdf
dc.formatapplication/pdf
dc.languageeng
dc.languagepor
dc.publisherLociedade Brasileira de Finançasen-US
dc.relationhttps://bibliotecadigital.fgv.br/ojs/index.php/rbfin/article/view/3871/4535
dc.relationhttps://bibliotecadigital.fgv.br/ojs/index.php/rbfin/article/view/3871/4536
dc.sourceBrazilian Review of Finance; Vol. 10 No. 3 (2012): July-September; 337-367en-US
dc.sourceRevista Brasileira de Finanças; v. 10 n. 3 (2012): Julho-Setembro; 337-367pt-BR
dc.source1984-5146
dc.source1679-0731
dc.subjectVolatilityen-US
dc.subjectGARCH modelsen-US
dc.subjectFuzzy Systemsen-US
dc.subjectDifferential Evolutionen-US
dc.subjectC53en-US
dc.subjectC61en-US
dc.subjectG17.en-US
dc.subjectVolatilidadept-BR
dc.subjectModelos GARCHpt-BR
dc.subjectSistemas Nebulosospt-BR
dc.subjectEvolução Diferencialpt-BR
dc.subjectC53pt-BR
dc.subjectC61pt-BR
dc.subjectG17pt-BR
dc.titleA Hybrid Fuzzy GJR-GARCH Modeling Approach for Stock Market Volatility Forecastingen-US
dc.titleModelo Híbrido GJR-GARCH Nebuloso para a Previsão da Volatilidade em Mercados de Açõespt-BR
dc.typeinfo:eu-repo/semantics/article
dc.typeinfo:eu-repo/semantics/publishedVersion
dc.typeDouble blind reviewed articlesen-US
dc.typeTheoretical-Empiricalen-US
dc.typeAvaliado por Parespt-BR
dc.typeTeórico-Empíricopt-BR


Este ítem pertenece a la siguiente institución