دانشگاه تهران - دانشکده اقتصاد فصلنامه تحقیقات اقتصادی 0039-8969 61 2 2026 06 22 Forecasting Volatility Using a Combined HAR Model with Long Memory and Markov Switching: Evidence from Equity ETF in Tehran Stock Exchange پیش‎بینی نوسانات در چارچوب مدل ترکیبی HAR با حافظه طولانی و مارکوف سوئیچینگ: شواهدی از صندوق‎های سهامی قابل معامله در بورس تهران 233 271 107732 10.22059/jte.2026.400631.1009028 FA میثم کاویانی گروه مدیریت مالی، دانشکده اقتصاد، مدیریت، و حسابداری، واحد کرج، دانشگاه آزاد اسلامی، کرج، ایران. 0000-0002-1022-4193 سید فخرالدین فخرحسینی گروه مدیریت مالی، دانشکده اقتصاد، مدیریت، و حسابداری، واحد کرج، دانشگاه آزاد اسلامی، کرج، ایران. سعید حاج حیدری گروه مدیریت مالی، دانشکده اقتصاد، مدیریت، و حسابداری، واحد کرج، دانشگاه آزاد اسلامی، کرج، ایران. Journal Article 2025 08 13 This study investigates the performance of five equity exchange-traded funds (ETFs) listed on the Tehran Stock Exchange in forecasting daily volatility using various models based on the Heterogeneous Autoregressive (HAR) framework. The primary objective is to assess the impact of Long Memory (LM), Markov Switching (MS), and Jump (J) components on improving model accuracy. The findings reveal that the baseline HAR model alone has limited explanatory power for volatility, while incorporating advanced components—particularly LM and MS—significantly enhances model performance in most cases. Results indicate that long memory plays a pivotal role in most funds and is the most influential factor in improving forecasts for funds with more stable volatility patterns (e.g., “Asas”), whereas the combination of LM and MS yields superior performance for funds with more variable volatility structures (e.g., “Sarv” and “Atlas”). The jump component shows a limited and fund-specific effect, contributing to improvements only in certain cases—most notably when combined with LM and MS in funds such as “Aghas” and “Karadis.” These findings highlight the importance of selecting flexible, combined models tailored to the behavioral characteristics of each fund and suggest that fund managers should focus on identifying high-risk regimes and long-term volatility patterns for enhanced risk management. در این پژوهش، عملکرد پنج صندوق سهامی قابل معامله (ETF) در بورس تهران از منظر پیش‌بینی نوسانات روزانه با استفاده از مدل‌های مختلف مبتنی بر ساختار HAR مورد بررسی قرار گرفت. هدف اصلی، ارزیابی تأثیر مؤلفه‌های حافظه طولانی (LM)، مارکوف سوئیچینگ (MS) و پرش‌های ناگهانی (J) در بهبود دقت مدل‌ها بود. یافته‌ها نشان داد که مدل پایه HAR به‌تنهایی توانایی محدودی در توضیح نوسانات دارد و به‌کارگیری مؤلفه‌های پیشرفته‌تر، به‌ویژه LM و MS، در اغلب موارد موجب ارتقای معنادار عملکرد مدل‌ها شد. نتایج حاکی از آن است که حافظه طولانی در بیشتر صندوق‌ها نقشی کلیدی داشته و در صندوق‌هایی با نوسانات پایدارتر (مانند آساس) مؤثرترین عامل بهبود بوده است، در حالی که در صندوق‌هایی با ساختار نوسانی متغیر (مانند «سرو» و «اطلس») ترکیب LM و MS بهترین کارایی را ارائه کرده است. مؤلفه پرش، اثر محدود و وابسته به شرایط صندوق‌ها داشته و تنها در برخی موارد، به‌ویژه در ترکیب با LM و MS در صندوق‌هایی مانند آگاس و کاریس، باعث بهبود پیش‌بینی شد. این نتایج بر اهمیت انتخاب مدل‌های ترکیبی و انعطاف‌پذیر متناسب با ویژگی‌های رفتاری هر صندوق تأکید می‌کند و پیشنهاد می‌دهد که مدیران صندوق‌ها برای مدیریت ریسک، به شناسایی رژیم‌های پرریسک و الگوهای بلندمدت نوسانات توجه ویژه داشته باشند. https://jte.ut.ac.ir/article_107732_9df6df6ff27d58b8b3ff129eabf4a833.pdf