ПОРІВНЯЛЬНЕ ЕКОНОМЕТРИЧНЕ ДОСЛІДЖЕННЯ МОДЕЛЕЙ ARIMA-GARCH ДЛЯ МОДЕЛЮВАННЯ ВОЛАТИЛЬНОСТІ АКЦІЙ SAUDI ARAMCO
DOI:
https://doi.org/10.15407/economyukr.2026.08.053Ключові слова:
волатильність акцій; Saudi Aramco; моделі ARIMA-GARCH; фінансові ринкиАнотація
Досліджено динаміку волатильності щоденних скоригованих цін закриття акцій Saudi Aramco (SAOC) за допомогою гібридної економетричної моделі, що поєднує моделі ARIMA і CS-GARCH. Фінансові часові ряди зазвичай характеризуються кластеризацією волатильності, умовною гетероскедастичністю і асиметричними реакціями на шоки, що обмежує ефективність суто лінійних моделей. Для вирішення цих проблем застосовано модель ARIMA(2,1,2) для фіксації лінійних залежностей умовного середнього і специфікацію CS-GARCH (0,1) для моделювання змінної у часі умовної дисперсії та розкладання волатильності на коротко- й довгострокові компоненти.
З використанням даних з 2 січня 2022 р. до 8 травня 2025 р. (834 спостереження) показано, що ряд є інтегрованим першого порядку і демонструє значну гетероскедастичність. Після порівняння моделей, яке охоплювало понад 750 специфікацій типу GARCH, модель ARIMA(2,1,2)-CS-GARCH(0,1) з асиметричним нормальним розподілом було визначено як оптимальну специфікацію на основі інформаційних критеріїв і діагностичних тестів. Результати засвідчують високу стійкість компонента довгострокової волатильності, тоді як короткострокові шоки демонструють тимчасові ефекти, що поступово зникають.
Результати прогнозування поза вибіркою підтверджують, що гібридна модель перевершує традиційну модель ARIMA за всіма показниками точності (MAPE, RMSE, MAE й MSE). Зроблено висновок, що гібридні моделі ARIMA-CS-GARCH пропонують робастний і надійний інструментарій для моделювання і прогнозування волатильності акцій на високодинамічних ринках, надаючи цінну інформацію для інвесторів, портфельних менеджерів і аналітиків ризиків на фінансовому ринку Саудівської Аравії.
Посилання
Dritsaki, C. (2018). The Performance of Hybrid ARIMA-GARCH Modeling and Forecasting Oil Price. International Journal of Energy Economics and Policy, 8(3), 14––21. URL: https://www.econjournals.com/index.php/ijeep/article/view/6437
Sun, K. (2017). Equity Return Modeling and Prediction Using Hybrid ARIMA-GARCH Model. International Journal of Financial Research, 8(3), 154––161. https://doi.org/10.5430/ijfr.v8n3p154
Vo, N., Slepaczuk, R. (2022). Applying Hybrid ARIMA-SGARCH in Algorithmic Investment Strategies on S&P500 Index. Entropy, 24(2), 158. https://doi.org/10.3390/e24020158
Hossain, A., Kamruzzaman, Md., Ayub, A. (2015). ARIMA With GARCH Family Modeling and Projection on Share Volume of DSE. Economics World, 3(7-8), 171–––184. URL: https://www.davidpublisher.com/Public/uploads/Contribute/5600cb984669e.pdf
Adegboyo, O., Sarwar, K. (2025). Modelling and forecasting of Nigeria stock market volatility. Future Business Journal, 11(124), 1––13. URL: https://link.springer.com/article/10.1186/s43093-025-00536-4
Abu Zarour, B., Siriopoulos, C. (2008). Transitory and Permanent Volatility Components: The Case of the Middle East Stock Markets. Review of Middle East Economics and Finance, 4(2), 1––13. https://doi.org/10.2202/1475-3693.1060
Liu, T., Shi, Y. (2022). Innovation of the Component GARCH Model: Simulation Evidence and Application on the Chinese Stock Market. Mathematics, 10(11), 1903. https://doi.org/10.3390/math10111903
Contreras-Reyes, J., Zavala, J., Idrovo-Aguirre, B. (2024). Analyzing the Selective Stock Price Index Using Fractionally Integrated and Heteroskedastic Models. Journal of Risk and Financial Management, 17(9), 401. https://doi.org/10.3390/jrfm17090401
Benbachir, S. (2025). Assessing informational efficiency in largest African stock markets by modeling dual long memory: An ARFIMA-FIGARCH approach. Investment Management and Financial Innovations, 22(2), 238––253. http://dx.doi.org/10.21511/imfi.22(2).2025.19
Wanjuki, T., Lumumba, V., Kimtai, E., Mbaluka, M., Njoroge, E. (2024). Comparative Analysis of GARCH-Based Volatility Models of Financial Market Volatility: A Case of Nairobi Security Market PLC, Kenya. European Journal of Mathematics and Statistics, 5(4), 1––18. https://doi.org/10.24018/ejmath.2024.5.4.310
Karugano, R., Kariuki, S., Kariuki, P. (2023). Predictability of GARCH-Type Models in Estimating Stock Returns Volatility. Evidence from Kenya. International Journal of Professional Business Review, 8(11), e02813. https://doi.org/10.26668/businessreview/2023.v8i11.2813
Wang, Y., Xiang, Y., Lei, X., Zhou, Y. (2022). Volatility Analysis Based on GARCH-Type Models: Evidence from the Chinese Stock Market. Economic Research –– Ekonomska Istraživanja, 35(1), 2530––2554. https://doi.org/10.1080/1331677X.2021.1967771
Xiang, Y. (2022). Using ARIMA-GARCH Model to Analyze Fluctuation Law of International Oil Price. Mathematical Problems in Engineering, 1––7. https://doi.org/10.1155/2022/3936414
Singh, R., Singh, Y., Kumar, S., Kumar, A., Alruwaili, W. (2024). Mapping Risk––Return Linkages and Volatility Spillover in BRICS Stock Markets through the Lens of Linear and Non-Linear GARCH Models. Journal of Risk and Financial Management, 17(10), 437. https://doi.org/10.3390/jrfm17100437
Sözen, Ç. (2025). Volatility dynamics of cryptocurrencies: a comparative analysis using GARCH-family models. Future Business Journal, 11, 166. URL: https://link.springer.com/article/10.1186/s43093-025-00568-w
Queiroz, R., David, S. (2023). Performance of the Realized-GARCH Model against Other GARCH Types in Predicting Cryptocurrency Volatility. Risks, 11(12), 211. https://doi.org/10.3390/risks11120211
Silva, L., Maciel, L. (2025). Cryptocurrency price returns volatility modeling and forecasting with GARCH models. RAUSP Management Journal, 60(01). https://doi.org/10.1108/RAUSP-04-2023-0056
Box, G., Jenkins, G., Reinsel, G., Ljung, G. (2016). Time Series Analysis: Forecasting and Control. 5th ed. Hoboken, John Wiley & Sons. 720 p. URL: https://bit.ly/4b5bDzf
Wang, Y. (2024). Application of ARIMA-GARCH-S model to short-term stock forecasting. Finance & Economics –– Dean & Francis Press., 1(4), 1-10. https://doi.org/10.61173/y2k63978
Engle, R., Lee, G. (1999). A long-run and short-run component model of stock return volatility. In: R. Engle, H. White, O. Press (Ed.). Cointegration, causality, and forecasting: A festschrift in honour of Clive W.J. Granger. P. 475––497. Oxford. https://doi.org/10.1093/oso/9780198296836.003.0020
Tsay, R. (2010). Analysis of Financial Time Series. 3rd ed. Hoboken, John Wiley & Sons. https://doi.org/10.1002/9780470644560
Nelson, D., Cao, C. (1992). Inequality constraints in the univariate GARCH model. Journal of Business & Economic Statistics, 10(2), 229––235. https://doi.org/10.1080/07350015.1992.10509902
Nelson, D. (1991). Conditional heteroskedasticity in asset returns: A new approach. Econometrica, 59(2), 347––370. https://doi.org/10.2307/2938260
Glosten, L., Jagannathan, R., Runkle, D. (1993). On the relation between the expected value and the volatility of the nominal excess return on stocks. The Journal of Finance, 48(5), 1779––1801. https://doi.org/10.1111/j.1540-6261.1993.tb05128.x
Engle, R., Ng, V. (1993). Measuring and Testing the Impact of News on Volatility. The Journal of Finance, 48(5), 1749––1778. https://doi.org/10.1111/j.1540-6261.1993.tb05127.x
Ding, Z., Granger, C., Engle, R. (1993). A long memory property of stock market returns and a new model. Journal of Empirical Finance, 1(1), 83––106. https://doi.org/10.1016/0927-5398(93)90006-D
Baillie, R., Bollerslev, T., Mikkelsen, H. (1996). Fractionally integrated generalized autoregressive conditional heteroskedasticity. Journal of Econometrics, 74(1), 3––30. https://doi.org/10.1016/S0304-4076(95)01749-6
Macharia, K., Atitwa, E., Mugo, D., Kawira, M. (2025). Modeling stock price trends and volatility in emerging markets using ARIMA and GARCH approaches. International Journal of Advanced and Applied Sciences, 12(7), 134––143. https://doi.org/10.21833/ijaas.2025.07.013
##submission.downloads##
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Авторське право (c) 2026 Видавничий дім "Академперіодика" НАН України
Ця робота ліцензується відповідно до Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
