فهرست نشریات علمی دسترسی آزاد ایران

هدف: منحنی بازده یکی از ابزارهای کلیدی در تحلیل‌های اقتصادی به‌شمار می‌رود که نقش مهمی در تفسیر انتظارات بازار نسبت به سیاست‌های پولی، وضعیت اقتصادی و تورم در بازه‌های زمانی مختلف ایفا می‌کند. این منحنی همچنین در حوزه‌هایی چون سیاست‌گذاری مالی، مدل‌سازی کسب‌وکار نهادهای مالی و تصمیم‌گیری‌های سرمایه‌گذاری مانند ارزش‌گذاری دارایی‌ها و مدیریت ریسک کاربرد فراوانی دارد. با وجود اهمیت بالای موضوع، پیش‌بینی و تحلیل منحنی بازده در ایران کمتر مورد توجه قرار گرفته است درحالیکه اقتصاد ایران با چالش‌هایی مانند تورم مزمن، نوسانات ارزی، تحریم‌ها و وابستگی به درآمدهای نفتی مواجه است. هدف این پژوهش، پیش‌بینی منحنی بازده اوراق دولتی بدون ریسک در ایران است. در این راستا، پیش‌بینی‌ با توجه به دو بعد زمان و سررسید انجام شد به طوریکه ضمن بررسی رفتار بازده‌ اوراق با سررسید مختلف در هر زمان، روند تغییرات هر سررسید در طول زمان نیز تحلیل شد.روش: با وجود توسعه روش‌های مختلف برای پیش‌بینی منحنی بازده، مدل عاملی نلسون-سیگل پویا به‌دلیل تفسیرپذیری بالا، کاهش ابعاد و توانایی خلاصه‌سازی منحنی در سه عامل کلیدی سطح، شیب و انحنا، به‌عنوان چارچوب پایه برآورد انتخاب شد. این عوامل به‌دلیل دلالت‌های اقتصادی و مالی مشخص، نقشی مهم در تصمیم‌گیری‌های سیاستی و راهبردی ایفا می‌کنند. در این پژوهش، با استفاده از داده‌های اسناد خزانه اسلامی در بازار سرمایه ایران، تلاش شد تا عوامل مذکور با مجموعه مدل‌ها ازجمله مدل خود رگرسیون برداری-گارچ (به عنوان مدل مبنا) و سایر مدل‌ها ذیل یادگیری ماشین مانند الگوریتم مبتنی بر تقویت گرادیان به عنوان مدل سطحی و مدل‌های شبکه عصبی پیچشی – حافظه طولانی کوتاه-مدت و واحد بازگشتی دارای دروازه به عنوان مدل یادگیری عمیق پیش‌بینی شوند. در نهایت با جایگذاری مقادیر پیش‌بینی شده سه عامل در معادله نلسون–سیگل پویا منحنی بازده آینده بازسازی ‌گردد. شایان ذکر است که هر یک از مدل‌ها از نظر پیچیدگی، تفسیرپذیری، نیازهای داده‌ای، الزامات محاسباتی و نوع روابط (خطی -غیرخطی)، ویژگی‌هایی متفاوت دارند.یافته‌ها: یافته‌های پژوهش نشان می‌دهد که مدل خودرگرسیون برداری-گارچ در پیش‌بینی عامل سطح عملکرد بهتری نسبت به سایر مدل‌ها دارد. این برتری به دلیل ساختار خودرگرسیو این مدل است که برای تحلیل روندهای پایدار و طولانی مدت مناسب‌تر عمل می‌کند. در مقابل، مدل‌های یادگیری عمیق به دلیل محدودیت داده و ضعف در شناسایی روندهای طولانی مدت، دقت کمتری در پیش‌بینی این عامل داشته‌اند. اما در مورد عامل‌های شیب و انحنا که بیشتر تحت نوسانات کوتاه‌مدت و میان‌مدت قرار دارند، مدل‌های یادگیری عمیق عملکرد بهتری نسبت به مدل‌های سنتی از خود نشان داده‌اند. این برتری به توانایی آن‌ها در درک الگوهای پیچیده و غیرخطی در طول زمان بازمی‌گردد، درحالی‌که مدل‌های آماری کلاسیک به دلیل مفروضات سخت‌گیرانه در مواجهه با چنین نوساناتی دچار خطا می‌شوند. در مرحله بعد، پیش‌بینی سه عامل در معادله نلسون–سیگل پویا جای‌گذاری شده و دقت بازسازی منحنی بازده با معیار ریشه میانگین مربعات خطا سنجیده شد. نتایج نشان داد که هیچ‌یک از مدل‌ها به‌تنهایی برتری مطلق در پیش‌بینی هر سه عامل را ندارند. بنابراین، استفاده از ترکیب بهینه‌ از مدل‌ها – به‌گونه‌ای که هر عامل توسط مدلی با کمترین خطا پیش‌بینی شود – می‌تواند دقت بازسازی منحنی بازده را افزایش دهد و این رویکرد با ساختار مدل نلسون–سیگل، مبتنی بر فرض استقلال عامل‌ها از یکدیگر، نیز سازگار است. نتایج نشان داد در صورتیکه عامل سطح با مدل خود رگرسیون برداری – گارچ یا شبکه عصبی پیچشی – حافظه طولانی کوتاه‌مدت، شیب با واحد بازگشتی دارای دروازه و انحنا با مدل خود رگرسیون برداری-گارچ یا الگوریتم مبتنی بر تقویت گرادیان برآورد شوند به بهترین نتایج یعنی کمترین انحراف از واقعیت معادل حدود نیم درصد منجر خواهد شد. نتیجه‌گیری: این پژوهش با هدف ارائه مدلی دقیق برای پیش‌بینی منحنی بازده در بازار مالی ایران انجام شد. بدین منظور، مدل نلسون-سیگل پویا انتخاب شد که منحنی بازده را در قالب سه عامل سطح، شیب و انحنا مدل‌سازی می‌کند. این تحقیق از مجموعه‌ مدل‌های سنجی و یادگیری ماشین جهت برآورد استفاده کرد. در مرحله نخست، عملکرد مدل‌ها در پیش‌بینی عامل‌های نلسون-سیگل ارزیابی شد. نتایج نشان داد که مدل خودرگرسیون برداری-گارچ برای پیش‌بینی عامل سطح عملکرد برتری دارد، در حالی که مدل‌های یادگیری عمیق در پیش‌بینی عامل های شیب و انحنا، که نوسانات کوتاه‌مدت و میان‌مدت دارند، دقیق‌تر عمل کردند. در مرحله دوم، دقت بازسازی منحنی بازده بر اساس عامل های پیش‌بینی‌شده سنجیده شد. یافته‌ها نشان داد که بهترین ترکیب برای پیش‌بینی منحنی زمانی حاصل می‌شود که عامل سطح با مدل خودرگرسیون برداری – گارچ یا شبکه عصبی پیچشی – حافظه طولانی کوتاه مدت، عامل شیب با واحد بازگشتی دارای دروازه و عامل انحنا با خودرگرسیون برداری-گارچ یا الگوریتم مبتنی بر تقویت گرادیان پیش‌بینی شود که منجر به خطای بازسازی کمتر از نیم درصد خواهد شد