تعداد نشریات | 43 |
تعداد شمارهها | 1,658 |
تعداد مقالات | 13,556 |
تعداد مشاهده مقاله | 31,111,240 |
تعداد دریافت فایل اصل مقاله | 12,259,215 |
بررسی حافظه بلندمدت در نوسانهای بازدهی شاخص بورس اوراق بهادار تهران | ||
مدیریت دارایی و تامین مالی | ||
مقاله 6، دوره 3، شماره 3، آذر 1394، صفحه 67-82 اصل مقاله (545.06 K) | ||
نوع مقاله: مقاله پژوهشی | ||
نویسندگان | ||
اکبر کمیجانی1؛ اسماعیل نادری* 1؛ نادیا گندلی علیخانی2 | ||
1دانشکده اقتصاد دانشگاه تهران | ||
2دانشگاه آزاد واحد علوم و تحقیقات خوزستان | ||
چکیده | ||
با توجه به رشد و اهمیت روزافزون بازارهای مالی، وجود هرگونه نوسانی در این بازارها، آثار شگرفی بر اقتصاد میگذارد. لذا، در عرصه پویای بازارهای مالی از جمله بازار بورس اوراق بهادار پیشبینی آینده به یکی از مهمترین مسایل در علوم مالی ارتقا یافته است. در این راستا این نوشتار با استفاده از دادههای روزانه شاخص قیمت و بازده نقدی بورس اوراق بهادار تهران طی دوره زمانی 5/1/1388 الی 30/7/1392 وجود حافظه بلندمدت در بازدهی و نیز نوسانهای شاخص قیمت این بازار رابررسی نموده است. پس از تأیید وجود حافظه بلندمدت در سری بازدهی بورس، به کمک خانواده مدلهای واریانس ناهمسان شرطی (اعم از مدلهای غیر فرکتالی و فرکتالی) به برازش بهترین تصریح برای تبیین رفتار نوسانهای بازدهی بورس پرداخته شد. نتایج این پژوهش، مؤید وجود حافظه بلندمدت در هر دو معادله میانگین و واریانس سری مذکور بوده است. حال آنکه، در بین مدلهای واریانس ناهمسان شرطی که در این مطالعه مورد بررسی قرار گرفته، بر اساس معیارهای اطلاعات (آکائیک و شوارتز) مدل ARFIMA(1,2)-FIGARCH(BBM) به عنوان بهترین مدل برای مدلسازی نوسانهای بازدهی بورس در دوره مورد بررسی، انتخاب شده است. | ||
کلیدواژهها | ||
حافظه بلندمدت؛ نوسانات؛ بازار بورس؛ مدل ARFIMA؛ مدل GARCH؛ مدل FIGARCH | ||
مراجع | ||
[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.
| ||
آمار تعداد مشاهده مقاله: 1,187 تعداد دریافت فایل اصل مقاله: 731 |