مدل‎‎سازی نوسانات بازده در بازارهای سهام، از منظر افراد آکادمیک و نیز کارپردازان علم مالی، به لحاظ موارد استفاده آن در پیش‎بینی بازده سهام، موضوع با اهمیتی به نظر می‎رسد. این پیش‎بینی‎ها در مواردی چون مدیریت ریسک، قیمت‎گذاری مشتقات مالی و پوشش ریسک ناشی از آنها، بازارسازی، انتخاب سبد‎های مالی و بسیاری از فعالیت‎های مالی دیگر می‎تواند مورد استفاده قرار گیرد. از این جهت تخمین نوسانات در بازارهای مالی، اهمیت می‎یابد. مدل‎های بسیاری برای اندازه‎گیری نوسانات و مدل‎‎سازی آنها به وجود آمده‎اند که هر کدام دارای فروضی می‎باشند که در صورت نقض هریک از این فرضیه‎ها ، استفاده از مدل را با مشکل مواجه می‎کند. تحقیقات انجام شده بر روی سری‎های زمانی بازده نشان داده است که فرض ثابت در نظر گرفتن واریانس اجزا اخلال در برخی از مدل‎ها فرض درستی نمی‎باشد، بلکه سری دارای اثر ناهمسانی واریانس است، یعنی واریانس از یک دوره به دوره‎ای دیگر تغییر می‎کند. برای همین منظور مدل‎های شرطی شکل گرفتند که این فرض اساسی را مدنظر قرار می‎دهند. مهمترین مدل‎های شکل گرفته در این زمینه خانواده مدل‎های archو garchمی‎باشد. در این تحقیق به بررسی ساختار سریهای زمانی روزانه، هفتگی و ماهانه از منظر بررسی اثر archو حافظه‎ی بلندمدت پرداخته می‎شود و در نهایت بهترین وقفه‎های مدل garchبرای مدلسازی هر کدام از این سری داده‎ها پیشنهاد می شود. نتایج تحقیق نشان می‎دهد که هر سه سری داده دارای اثر ناهمسانی واریانس و همچنین دارای حافظه‎ی بلندمدت می‎باشند. همچنین بهترین وقفه‎های مدلgarch برای سری‎های روزانه، هفتگی و ماهانه به ترتیب عبارتند از(garch(3,4 و (garch(1,1 و (garch(2,1.