بررسی حافظه بلندمدت در نوسان‌های بازدهی شاخص بورس اوراق بهادار تهران

[1]   تهرانی، رضا؛ انصاری، حجت­اله؛ سارنگ، علیرضا. (1387). بررسی وجود پدیده بازگشت به میانگین در بورس اوراق بهادار تهران با استفاده از آزمون نسبت واریانس. بررسی­های حسابداری و حسابرسی، 15، 54.

[2]     سلیمی­فر، مصطفی؛ شیرزور، زهرا. (1389). بررسی کارایی اطلاعاتی بازار بورس به روش آزمون نسبت واریانس. مجله دانش و توسعه، 18، 31.

[3]   سعیدی، حسین؛ محمدی، شاپور. (1390). پیش‌بینی نوسان‌های بازده بازار با استفاده از مدل‌های ترکیبی گارچ- شبکه عصبی، فصلنامه بورس و اوراق بهادار، سال چهارم،16: 153-174.

[4]   عرفانی، علیرضا. (1387). پیش­بینی شاخص کل بورس اوراق بهادار تهران با مدل ARFIMA. پژوهشنامه علوم انسانی و اجتماعی- علوم اقتصادی، 8، 28.

[5]   کشاورزحداد، غلامرضا؛ صمدی، باقر. (1388). برآورد و پیش­بینی تلاطم بازدهی در بازار سهام تهران و مقایسه دقت روش­ها در تخمین ارزش در معرض خطر: کاربردی از مدل­های خانواده FIGARCH. مجله تحقیقات اقتصادی، 86، 235-193.

[6]   کمیجانی، اکبر؛ نادری، اسماعیل؛ گندلی‌علیخانی، نادیا. (1391). مقایسه انواع مدل­های واریانس ناهمسان شرطی در مدل­سازی و پیش­بینی نوسان‌های قیمت نفت. فصلنامه مطالعات اقتصاد انرژی، 9، 35، 121-146.

[7]   محمدی، تیمور؛ طالبلو، رضا. (1389). پویایی­های تورم و رابطه تورم و عدم اطمینان اسمی با استفاده از الگویARFIMA-GARCH. پژوهشنامه اقتصادی، 10،1، 170-137.

[8]    محمدی، تیمور؛ نصیری، سمیه. (1389). مقایسه مدل­های Riskmetric و GARCH در پیش­بینی نوسان‌های شاخص بازده کل بورس اوراق بهادار تهران. مجله مطالعات مالی، 6، 118-95.

[9]   مشیری، سعید؛ مروت، حبیب. (1384). بررسی وجود فرآیند آشوبی در شاخص بازدهی کل قیمت سهام بازار بورس تهران. فصلنامه پژوهش‌های اقتصادی ایران، 25، 47-64.

[10] موسایی، میثم؛ مهرگان، نادر؛ امیری، حسین. (1389). رابطه بازار سهام و متغیرهای کلان اقتصادی در ایران، فصلنامه پژوهش­ها و سیاست‌های اقتصادی، شماره 54، صص 94-73.

[11] نادری، اسماعیل. (1392). نقدی بر مقوله پیش بینی شاخص بورس: مطالعه موردی شاخص بورس تهران. ماهنامه بورس اوراق بهادار، 102: 31-28.

[12] تهرانی، رضا؛ انصاری، حجت­اله؛ سارنگ، علیرضا. (1387). بررسی وجود پدیده بازگشت به میانگین در بورس اوراق بهادار تهران با استفاده از آزمون نسبت واریانس. بررسی­های حسابداری و حسابرسی، 15، 54.

[13] سلیمی­فر، مصطفی؛ شیرزور، زهرا. (1389). بررسی کارایی اطلاعاتی بازار بورس به روش آزمون نسبت واریانس. مجله دانش و توسعه، 18، 31.

[14] سعیدی، حسین؛ محمدی، شاپور. (1390). پیش‌بینی نوسان‌های بازده بازار با استفاده از مدل‌های ترکیبی گارچ- شبکه عصبی، فصلنامه بورس و اوراق بهادار، 4،16، 153-174.

[15] عرفانی، علیرضا. (1387). پیش­بینی شاخص کل بورس اوراق بهادار تهران با مدل ARFIMA. پژوهشنامه علوم انسانی و اجتماعی- علوم اقتصادی، 8، 28.

[16] کشاورزحداد، غلامرضا؛ صمدی، باقر. (1388). برآورد و پیش­بینی تلاطم بازدهی در بازار سهام تهران و مقایسه دقت روش­ها در تخمین ارزش در معرض خطر: کاربردی از مدل­های خانواده FIGARCH. مجله تحقیقات اقتصادی، 86، 235-193.

[17] کمیجانی، اکبر؛ نادری، اسماعیل؛ گندلی علیخانی، نادیا. (1391). مقایسه انواع مدل­های واریانس ناهمسان شرطی در مدل­سازی و پیش­بینی نوسان‌های قیمت نفت. فصلنامه مطالعات اقتصاد انرژی، 9، 35: 121-146.

[18] محمدی، تیمور و طالبلو، رضا. (1389). پویایی‌های تورم و رابطه تورم و عدم اطمینان اسمی با استفاده از الگویARFIMA-GARCH. پژوهشنامه اقتصادی، 10، 1:170-137.

[19]  محمدی، تیمور؛ نصیری، سمیه. (1389). مقایسه مدل­های Riskmetric و GARCH در پیش‌بینی نوسان‌های شاخص بازده کل بورس اوراق بهادار تهران. مجله مطالعات مالی، 6،  118-95.

[20] مشیری، سعید؛ مروت، حبیب. (1384). بررسی وجود فرآیند آشوبی در شاخص بازدهی کل قیمت سهام بازار بورس تهران. فصلنامه پژوهش‌های اقتصادی ایران، 25، 47-64.

[21] موسایی، میثم؛ مهرگان، نادر؛ امیری، حسین. (1389). رابطه بازار سهام و متغیرهای کلان اقتصادی در ایران، فصلنامه پژوهش­ها و سیاست‌های اقتصادی، 54، 94-73.

[22] نادری، اسماعیل. (1392). نقدی بر مقوله پیش بینی شاخص بورس: مطالعه موردی شاخص بورس تهران. ماهنامه بورس اوراق بهادار،102، 31-28.

[23]  Alagidede, P., (2011). Return Behavior in Africa’s Emerging Equity Markets. The Quarterly Review of Economics and Finance,. 51,. 133–140.

[24]  Arouri, M., Lahiani, A., Nguyen, D.K., (2010). Forecasting the Conditional Volatility of Oil Spot and Futures Prices with Structural Breaks and Long Memory Models. International Conference on Economic Modeling, July, (Istanbul, Turkey).

[25]  Assaf, A., (2006). Dependence And Mean Reversion In Stock Prices: The Case Of The MENA Region. Research in International Business and Finance,. 20,. 3,. 286-304.

[26]  Bildirici, M., Ersin, O.O., (2013). Forecasting Oil Prices: Smooth Transition and Neural Network Augmented GARCH Family Models. Journal of Petroleum Science and Engineering,. 109,. 230-240.

[27]  Bollerslev, T., R. F. Engle and D. B. Nelson. (1994). ARCH Models in R. "F. Engle and D. L. McFadden (eds.): Handbook of Econometrics",. 4, North Holland, Amsterdam.

[28]  Chkili, W., Hammoudeh, Sh., Nguyen, D., (2014). Volatility Forecasting and Risk Management for Commodity Markets in the Presence of Asymmetry and Long Memory. Energy Economics,. 41,. 1-18.

[29]  Chuang, W.I., Liu, H.H., Susmel, R., (2012). The Bivariate GARCH Approach To Investigating The Relation Between Stock Returns, Trading Volume, And Return Volatility. Global Finance Journal, In Press, Uncorrected Proof, Available online 13, Elsevier.

[30]  Conrad, C., Karanasos, M., Zeng, N., (2011). Multivariate Fractionally Integrated APARCH Modeling Of Stock Market Volatility: A Multi-Country Study. Journal of Empirical Finance,. 18,. 1,. 147-159.

[31]  Deo, R., Hsieh, M., Hurvich, C.M., (2010). Long Memory In Intertrade Durations, Counts And Realized Volatility Of NYSE Stocks. Journal of Statistical Planning and Inference,. 140,. 12,. 3715-3733.

[32]  Ding, Z., and C. W. J. Granger. (1996). Modeling Volatility Persistence of Speculative Returns: A New Approach. Journal of Econometrics,. 73, 185–215.

[33]  Dufrenot, G., Guégan, D., Peguin-Feissolle, A., (2005). Long-Memory Dynamics in A SETAR Model – Applications to Stock Markets. Journal of International Financial Markets, Institutions and Money,. 15,. 5,. 391-406.

[34]  Eizaguirre, J. C. &Biscarri, J. G. & Hidalgo, F. P. G. (2009). Financial Liberalization, Stock Market Volatility and Outliers in Emerging Economies, Applied Financial Economics,. 19,. 809–823.

[35]  Gewek, J. and Porter-Hudak, S. (1983). Theestimation and Application of Long Memorytime Series Models. Journal of Financial and Quantitative Analysis,. 13, 101-116.

[36]  Harris, R.D.F., Nguyen, A., (2013). Long Memory Conditional Volatility and Asset Allocation. International Journal of Forecasting,. 29(2),. 258-273.

[37]  Huang, H., Fang, W., Miller, S.M., (2014). Does Financial Development Volatility Affect Industrial Growth Volatility? Original Research Article. International Review of Economics & Finance,. 29,. 307-320.

[38]  Hull, M., McGroarty, F., (2013). Do Emerging Markets Become More Efficient as They Develop? Long Memory Persistence in Equity Indices. Emerging Markets Review, In Press, and Available online 15 November 2013.

[39]  Kang, S.H., Cheong, C., Yoon, S.M., (2010. Long Memory Volatility in Chinese Stock Markets. Physica A: Statistical Mechanics and its Applications,. 389, Issue. 7,. 1425-1433.

[40]  Kasman, A., Kasman, S., Torun, E., (2009). Dual Long Memory Property in Returns and Volatility: Evidence From The CEE Countries' Stock Markets. Emerging Markets Review,. 10,. 2,. 122-139.

[41]  Kittiakarasakun, J., Tse, Y., (2011). Modeling the Fat Tails in Asian Stock Markets. InternationalReview of Economics and Finance,. 20,. 430–440.

[42]  Mishra, R.k., Sehgal, S., Bhanumurthy, N.R. (2011). A Search for Long-Range Dependence and Chaotic Structure In Indian Stock Market. Review of Financial Economics,. 20,. 2,. 96-104.

[43]  Mun, M., Brooks, R., (2012). The Roles of News and Volatility in Stock Market Correlations during the Global Financial Crisis. Emerging Markets Review,. 13, Issue. 1,. 1-7.

[44]  Ozdemir, Z.A., (2009). Linkages between International Stock Markets: A Multivariate Long-Memory Approach. Physica A: Statistical Mechanics and its Applications,. 388,. 12,. 2461-2468.

[45]  Panayides, Ph.M., Lambertides, N., Cullinane, K., (2013). Liquidity Risk Premium and Asset Pricing in US Water Transportation. Transportation Research Part E: Logistics and Transportation Review,. 52, 3-15.

[46]  Tan, P.P., Galagedera, D.U.A., Maharaj, E.A., (2012). A Wavelet Based Investigation of Long Memory in Stock Returns. Physica A: Statistical Mechanics and its Applications,. 391,. 7,. 2330-2341.

[47]  Xiu, J., Jin, Y., (2007). Empirical Study of ARFIMA Model Based On Fractional Differencing. Physica-A,.377,. 137-184.

[48]  Zhou, Jian & Kang, Zhixin. (2011). A Comparison of Alternative Forecast Models of REIT Volatility. Journal of Real Estate Finance Economics,. 275-294.

[49]  Rong-Mao, Zh., Chor-yiu. (CY)S., Shiqing L. (2015). On Functional Limits of short- and Long-Memory Linear Processes with GARCH(1,1) Noises. Stochastic Processes and their Applications,. 125, 2,. 482-512.