رابطۀ آب و هوا با بازده و فعالیت‌های معاملاتی: شواهدی از بورس اوراق بهادار تهران

پورمحمدی, پریسا; بدری, احمد

doi:10.22108/amf.2017.21581

تعداد نشریات	43
تعداد شماره‌ها	1,706
تعداد مقالات	13,973
تعداد مشاهده مقاله	33,612,375
تعداد دریافت فایل اصل مقاله	13,330,474

رابطۀ آب و هوا با بازده و فعالیت‌های معاملاتی: شواهدی از بورس اوراق بهادار تهران

مدیریت دارایی و تامین مالی

مقاله 13، دوره 5، شماره 2 - شماره پیاپی 17، تیر 1396، صفحه 201-220 اصل مقاله (627.02 K)

نوع مقاله: مقاله پژوهشی

شناسه دیجیتال (DOI): 10.22108/amf.2017.21581

نویسندگان

پریسا پورمحمدی^* ¹؛ احمد بدری²

¹کارشناس ارشد مدیریت مالی،گروه مدیریت مالی، دانشکده مدیریت و حسابداری، دانشگاه شهید بهشتی، تهران، ایران

²دانشیار گروه مدیریت مالی، دانشکده مدیریت و حسابداری، دانشگاه شهید بهشتی، تهران، ایران

چکیده

هدف اصلی این پژوهش، بررسی تأثیر آب و هوا در بازده و فعالیت‌های معاملاتی در بورس اوراق بهادار تهران است. متغیرهای معاملاتی شامل نقدشوندگی، گردش معاملات و نوسان‌پذیری است. برای تخمین الگو‌های رگرسیون با داده‌های سری زمانی، از روش حداقل مربعات معمولی (OLS) استفاده شده است. دورۀ زمانی پژوهش از ابتدای سال 1387 تا انتهای سال 1394 است. نتایج پژوهش نشان می‌دهد خلق و خوی افراد که با تغییر وضعیت آب و هوا تغییر می‌کند، در گردش معاملات، تأثیر معنا‌داری ندارد؛ اما متغیرهای برف، باران و سرعت باد در بازده، نقدشوندگی و نوسان‌پذیری، تأثیر معناداری دارند؛ بنابراین در پژوهش حاضر، نشان داده شد عوامل محیطی در بازده و فعالیت‌های معاملاتی به‌جز گردش معاملات، تأثیر دارد؛ بنابراین آب و هوا یکی از عوامل محیطی تأثیرگذار بر فعالیت روزمرۀ افراد است. در این بین، اختلالات خلقی فصلی یکی از مهم‌ترین شاخص‌های تأثیرگذار در رفتار معاملاتی سرمایه‌گذاران است.

کلیدواژه‌ها

مالی رفتاری؛ فعالیت‌های معاملاتی؛ اثر آب و هوا؛ اختلالات خلقی فصلی

اصل مقاله

مقدمه

در دهه‌های متمادی، اصول و مفاهیم مالی کلاسیک به‌صورت پارادایم غالب در عرصۀ مدیریت مالی و سرمایه‌گذاری مطرح بوده است و پژوهشگران مالی تلاش کرده‌اند تمام رخدادهای مالی را در قالب این اصول و نظریه‌ها تشریح کنند. نظریه‌هایی مانند نظریۀ مارکویتز، الگوی قیمت‌گذاری دارایی‌های سرمایه‌ای و نظریۀ نمایندگی ازجمله نظریه‌های کلاسیک هستند؛ اما نکتۀ مشترک در تمام نظریه‌های کلاسیک که یکی از پایه‌های اصلی این نظریه‌ها به شمار می‌رود، فرض انسان عقلایی است؛ به عبارتی تمام نظریه‌های سنتی مالی مدعی هستند بازار، رفتار عقلایی دارد و تنها اطلاعات اقتصادی مرتبط با قیمت‌گذاری دارایی‌ها را منعکس می‌کند [5]. پس از پذیرش مفهوم کارایی بازار، وقایعی در بازارهای مالی رخ داد که این مفهوم را با چالش روبه‌رو کرد. یکی از دلایل وقوع چنین رخدادهایی، درنظرنگرفتن احساسات انسان‌ها در الگو‌های مالی کلاسیک بوده است. رفتار سرمایه‌گذاران در بازارهای مالی، یکی از موضوع‌های مهم در علم مالی است که در این خصوص، مالی استاندارد به رفتار منطقی عاملان اقتصادی و وجود آربیتراژ و مالی رفتاری بر خطاهای رفتاری و محدودیت در آربیتراژ در بازارهای مالی تأکید دارد [26]. عقلایی‌بودن یعنی انسان‌ها توانایی استدلال کافی دارند و با استفاده از اطلاعات کامل و براساس فایده‌مندی، تصمیم می‌گیرند؛ اما روان‌شناسان معتقدند انسان‌ها تنها براساس عقلانیت، تصمیم‌گیری و رفتار نمی‌کنند و در بسیاری موارد، محرک‌های احساسی در تصمیم آنان تأثیر می‌گذارد [20]. عوامل روانی و احساسی بر عملکرد سرمایه‌گذاران در بازارهای مالی نیز تأثیر عمده‌ای می‌گذارند. دانش مالی رفتاری که از تلفیق دو علم روان‌شناسی ^{^[1]} و مالی به وجود آمده است، اظهار می‌کند که روا‌ن‌شناسی در تصمیم‌گیری مالی نقشی مهم ایفا می‌‌کند. امروزه توجه به مالی رفتاری به‌دلیل گرایش بیشتر به حوزۀ رفتاری و روان‌شناسی رو به افزایش است که یکی از دلایل آن، بروز رفتارهای غیرعقلایی و تأثیر عوامل احساسی در رفتار سرمایه‌گذاران است که ذهن بسیاری از پژوهشگران را به خود مشغول کرده است.

فعالیت روزانۀ افراد تحت تأثیر عوامل محیطی^{^[2]} بسیاری قرار می‌گیرد. واکنش افراد به رویدادهای محیطی، تا حد زیادی بر نتایج تحلیل‌های بنیادی و تصمیم‌گیری بر مبنای آن می‌تواند تأثیر بگذارد [2]. یکی از مهم‌ترین عوامل، وضعیت آب و هوا است. هر تغییر عمده در آب و هوا در برنامه‌ها و نتایج فعالیت‌های افراد می‌تواند تأثیرگذار باشد. واکنش به تغییرات آب و هوا، نتیجۀ‌ یک انطباق فیزیولوژیکی در افراد است که سرعت واکنش افراد به این تغییرات به میزان و سطح تحریک آب و هوا، تفاوت‌های فردی، حالت‌های روانی و غیره بستگی دارد [13،6]. ارتباط بین آب و هوا، حالت و فرایند تصمیم‌گیری سرمایه‌گذاران، موضوع بسیاری از مطالعات است و آب و هوا یکی از مهم‌ترین عوامل محیطی تأثیرگذار در زندگی روزمرۀ افراد است. بسیاری از پژوهش‌های انجام‌شده، درصدد آزمون تأثیر آب و هوا در بازارهای سرمایۀ توسعه‌یافته بوده‌اند و در بین تمامی رشته‌های پژوهشی درخصوص تأثیر آب و هوا در بازده سهام، به بازارهای مبتنی بر سیستم حراج در مقایسه با سیستم قیمت‌گذاری مبتنی بر معامله‌گر توجه کمتری شده است [13] به‌گونه‌ای که ساز‌ وکار معاملات در بازارهای سهام توسعه‌یافته به‌طور محسوسی با بازار سهام ایران متفاوت است؛ بنابراین، این مسأله پرسش‌های بسیاری را در ذهن تداعی می‌کند. اینکه آیا وضعیت آب و هوا در بازارهای نوظهوری که سیستم مبتنی بر حراج دارند، تنها در بازده، تأثیر‌گذار خواهد بود و یا در سایر متغیرهای بازار نیز می‌تواند تأثیر بگذارد؟ آیا تأثیر عوامل رفتاری در چنین بازارهایی با یکدیگر متفاوت است یا خیر؟ این پژوهش، یکی از بی‌نظمی‌های بازار سرمایه را با عنوان کلی، خلاف قاعده‌های بازار بررسی می‌کند. خلاف قاعده‌های بازار شامل مباحث مختلفی است. در این پژوهش، رابطۀ آب و هوا با بازده و سایر فعالیت‌های معاملاتی در یکی از بازارهای ‌نوظهور_بورس اوراق بهادار تهران_ بررسی شده است. بدین منظور مطابق پژوهش جینگ لو و همکاران (2012) چهار پارامتر اصلی بازار سرمایه یعنی بازده، نوسان‌پذیری بازده، گردش معاملات و نقد‌شوندگی بررسی می‌شود. متغیرهای استفاده‌شده برای بررسی اثر آب و هوا در این پژوهش شامل نسبت پوشش ابر، متغیر باران و برف، دمای هوا، میزان رطوبت و سرعت باد است.

پیشینۀ تجربی

روان‌شناسان به مدت طولانی بر این موضوع تأکید کرده‌اند که نور خورشید در خلق و خو، تفکر، تصمیم‌گیری و قضاوت افراد تأثیر می‌گذارد. هریک از متغیرهای آب و هوا به‌گونه‌ای متفاوت، رفتار افراد را می‌توانند تحت تأثیر قرار دهند. ساندرز^{^[3]} (1993) براساس بازده روزانه شاخص صنعتی داوجونز (DJIA) مطالعه‌ای انجام داد و بدین نتیجه دست یافت که نسبت پوشش ابر، تأثیر منفی در نرخ بازده بازار دارد؛ به عبارت دیگر بازده سهام در روزهایی بیشتر شده است که نسبت پوشش ابر 20 درصد و یا کمتر است نسبت به روزهایی که پوشش ابر 100 درصد است و تغییرات شاخص در چنین روزهایی مثبت است [23]. هرشیفلر و شاموی^{^[4]} (2003) میزان پوشش ابر با بازده سهام را برای 26 کشور در طول دورۀ 1982-1997 بررسی کردند. نتایج حاصل از پژوهش آنها نشان می‌دهد آفتابی‌بودن هوا معناداری قوی با بازده سهام دارد. درنتیجه آنها استدلال کردند که در روزهای آفتابی، افراد خوش‌بین‌تر هستند و به احتمال زیاد، به خرید سهام تمایل بیشتری دارند؛ به عبارتی می‌توان بیان کرد که همبستگی مثبت بین آفتابی‌بودن هوا و بازده سهام وجود دارد [11]. لوگران و شولتز^{^[5]} (2004) بدین نتیجه دست یافتند که آب و هوا آثار فوری و سریع بر بازار سهام دارد [19]. چانگ و همکاران (2005) رابطۀ بین متغیرهای آب و هوا و بازده بازار سهام تایوان را بررسی کردند. نتایج پژوهش آنها نشان می‌دهد دما و میزان پوشش ابر، دو عامل بسیار مهم آب و هوا هستند که در بازده بازار سهام تایوان تأثیر می‌گذارند [4]. چانگ و همکاران^{^[6]} (2008) ارتباط بین آب و هوا با الگوی معاملاتی و بازده در بورس سهام نیویورک را بررسی کردند. آنها استدلال کردند به‌طور کلی بازده سهام در روزهای ابری پایین‌تر است و در زمان بازگشایی بازار، میزان پوشش ابر، رابطۀ معنا‌داری با بازده سهام دارد و میزان فروشندگان سهام در روزهای ابری زیاد است. در روزهای ابری، میزان نوسان‌پذیری بالاتر و عمق بازار کمتر است. درنهایت پوشش ابر به‌طور معناداری با میزان شکاف و نسبت گردش‌معاملات همبستگی ندارد. درکل یافته‌های آنها پیشنهاد می‌کند که آب و هوا، تأثیر معناداری در رفتار معاملاتی سرمایه‌گذاران دارد [5].کائو و وی^{^[7]} (2005) رابطۀ بازده سهام را با دما بررسی کردند. شواهد نشان داد دمای پایین به پرخاشگری بیشتر منجر می‌شود، در حالی که دمای بالا از سویی سبب افزایش پرخاشگری و از سویی دیگر سبب بی‌تفاوتی در بین افراد می‌شود. پرخاشگری سبب ریسک‌پذیری بیشتر و بی‌تفاوتی سبب ریسک‌گریزی افراد می‌‌شود. در نتیجه آنها استدلال کردند که همبستگی منفی بین دمای هوا و بازده سهام وجود دارد. این رابطه در فصل تابستان کمی ضعیف‌تر بوده است که همین امر بیان می‌کند زمانی که دمای هوا بالاست، بی‌تفاوتی سرمایه‌گذاران بر احساس پرخاشگری آنها غلبه می‌کند، به همین دلیل افراد ریسک‌گریزتر خواهند بود که نتیجۀ آن کاهش بازده در فصل مذکور است؛ اما به‌طور کلی در بسیاری از بورس‌های مدّنظر، رابطۀ معنادار قوی و منفی بین دمای هوا با بازده سهام وجود داشته است [3]. کیف و راش^{^[8]} (2002) رابطۀ سرعت باد و بازده بازار سهام ولینگتون را بررسی کردند و بدین نتیجه دست یافتند که میزان باد و سرعت آن، تأثیر منفی در بازده سهام دارد؛ به عبارت دیگر زمانی که سرعت باد بالا است، بازده بازار کاهش می‌یابد و بالعکس [17]. سیموندیس و همکاران^{^[9]} (2010) ارتباط بین نوسان‌پذیری بازار سهام و شاخص‌های خلق و خوی سرمایه‌گذاران را بررسی کردندکه با وضعیت آب و هوا مرتبط است. آنها استدلال کردند ابری‌بودن و مدت طول شب، ارتباط معکوسی با نوسان‌پذیری دارد. نتایج پژوهش آنها نشان می‌دهد خلق و خوی خوب، افراد را به انجام معاملات بیشتر ترغیب می‌کند و میزان ابری بودن هوا اغلب یک عامل طبیعی اثرگذار در خلق و خوی افراد در نظر گرفته می‌شود [25]. جینگ لو و چو^{^[10]} (2012) تأثیر آب و هوا را در بازده و دیگر متغیرهای بازار سهام تایوان بررسی کردند. نتایج نشان داد آب و هوا با بازده سهام، رابطۀ معناداری ندارد، در حالی که آب و هوا بر گردش ‌معاملات، نقدشوندگی و نوسان‌پذیری، رابطۀ معنادار قوی دارد. پژوهش آنها شواهد اضافی مهمی را درخصوص تأثیر آب و هوا در حالت روانی و رفتار معاملاتی سرمایه‌گذاران در بازارهای نوظهور مبتنی بر حراج ایجاد کرد [13]. مینگ دانگ و ترمبلی^{^[11]} (2015) تأثیر آب و هوا را بر بازده روزانۀ 49 کشور در دورۀ زمانی 2012-1973 بررسی کردند. متغیرهای آب و هوای آنها عبارتند از آفتاب، باد، برف، باران و دما.آنها در پژوهش خود بدین نتیجه دست یافتند که اثر آب و هوا در بازده به اقلیم و فصول مختلف بستگی دارد و نتایج فراگیرتر از آن چیزی است که تا به حال بیان شده است. با توجه به نتایج پژوهش آنها، وضعیت آب و هوا در رفتار سرمایه‌گذاران تأثیر می‌گذارد [8]. فوهویرس و سوگنر^{^[12]} (2015) بدین نتیجه دست یافتند که برخی از متغیرهای آب و هوا، رابطۀ معناداری با بازار مالی دارند؛ اما متغیر اختلالات خلقی فصلی، رابطۀ معناداری با آن ندارد. آنها در پژوهش خود بیان کرده‌اند به جای تمرکز بر یک بخش بازار باید به بخش‌های مختلف بازار توجه شود. همچنین بیان کردند که تجزیه و تحلیل بازده سهام فردی، اطلاعات بیشتری را نسبت به تجزیه و تحلیل بازده شاخص به دست می‌دهد [9]. جمالیان پور و مهدوی (1392) رابطۀ میان نقدینگی بازار سهام تهران و متغیرهای آب و هوایی و فصلی را بررسی کردند. نتایج پژوهش آنها نشان داد متغیرهای آب و هوایی در نقدینگی بازار تأثیر گذاشته است و همچنین نقدینگی بازار با تغییر متغیرهای فصلی، رفتار متفاوتی از خود نشان داده است [12]. قادن و کلینگر^{^[13]} (2016) تأثیر طول مدت روز را در معاملات سرمایه‌گذاران بررسی کردند.آنها بدین موضوع اشاره کردند که خلق و خوی افراد در قضاوت‌ها و تصمیم‌های آنها تأثیر می‌گذارد. آنها در پژوهش خود بدین نتیجه دست یافتند که در روزهای کوتاه نزدیک تعطیلات، بازده اضافی و کاهش نوسان‌پذیری بازده وجود دارد. این خلاف قاعده هم در شاخص‌های اصلی بورس اوراق بهادار و هم در شاخص‌های بخش اقتصادی وجود داشته است [21].

بسیاری از پژوهشگران، به تغییرات فصلی بر خلق و خوی و رفتار انسان‌ها توجه کرده‌اند [15].اختلالات خلقی فصلی(SAD)^{^[14]} در فصل زمستان باعث ایجاد مشکلاتی برای افراد می‌شود. یکی از متداول‌ترین فرضیه‌ها دربارۀ اختلالات خلقی فصلی این است که با کاهش نور خورشید، ساعت بیولوژیکی که خلق و خو، خواب و هورمون‌ها را تنظیم می‌کند، در زمستان به نوعی عقب می‌ماند و کندتر می‌گذرد. مشکلاتی که در اثر این اختلال در فصل پاییز و زمستان می‌تواند ایجاد شود شامل مشکل در بیدار شدن از خواب در هنگام صبح، کمبود انرژی، خواب‌آلودگی، خارج شدن از جمع دوستان و یا خانواده و... است که تمام این موارد باعث ایجاد نوعی افسردگی و احساس بدبینانه و ناامیدی در افراد می‌‌شود. روزنتال و همکاران ^{^[15]}(1984) از پژوهشگرانی بودند که به اختلالات خلقی فصلی اشاره کردند و آن را یک بیماری روانی و عاطفی معرفی کردند که به‌ویژه در فصل زمستان با کمبود نور خورشید ایجاد می‌‌شود. در طول چند دهۀ گذشته، تعداد فزاینده‌ای از پژوهشگران در شاخۀ مالی رفتاری نیز نوسان‌های خلقی فصلی را در میان سرمایه‌گذاران به‌ویژه در بازار سهام بررسی کردند [22]. شیوع اختلالات خلقی فصلی به‌طور کلی بین 7-4 درصد برآورد شده است، هرچند بین 25-13 درصداز جمعیت عمومی از مشکلات خلقی در فصل زمستان شکایت دارند [16].

روش پژوهش

پژوهش حاضر از نوع پژوهش‌های پس‌رویدادی است که برمبنای تجزیه و تحلیل داده‌های مشاهده‌شده انجام شده است. در این پژوهش برای آزمون الگوها از رگرسیون خطی چندمتغیره استفاده شده است. جامعۀ آماری مدّنظر، بورس اوراق بهادار تهران است. دورۀ زمانی پژوهش از ابتدای سال 1387 تا انتهای سال 1394 است. داده‌ها شامل دو دسته متغیرهای وابسته و مستقل هستند. داده‌های مالی مرتبط با متغیرهای وابسته عبارتند از شاخص، حجم‌ معاملات و تعداد سهام در بورس اوراق بهادار تهران و متغیرهای توضیحی، شامل متغیرهای آب و هوا است. اطلاعات لازم به‌صورت سری زمانی مرتبط با متغیرهای پژوهش جمع‌آوری شده است. تمامی داده‌های مرتبط با متغیرهای مستقل و وابسته پژوهش به‌صورت روزانه و ساعتی گردآوری شده‌اند و الگوهای رگرسیونی روزانه و ساعتی به‌صورت مجزا آزموده شده‌اند. دلایل استفاده از داده‌های ساعتی عبارتند از:

1- یکی از مزایای استفاده از داده‌های ساعتی مربوط به معاملات این است که تأثیر فوری و سریع تغییرات آب و هوا را در متغیرهای بازار سهام می‌توان مشاهده کرد.

2- مزیت دیگر این است که اطلاعات ساعتی مربوط به معاملات سهام بسیار ارزشمند است؛ برای مثال چنانچه آب و هوا بر متغیرهای بازار سهام به‌ویژه بازده در ساعت‌های خاص-زمان بازگشایی بازار- تأثیر معناداری داشته باشد، با داده‌های ساعتی می‌توان به آن پی برد؛ بنابراین استفاده از داده‌های ساعتی، تصویر واقعی‌تری را نسبت به داده‌های روزانه فراهم می‌کند. اطلاعات مرتبط با داده‌های بازار ضروری پژوهش، از لوح فشردۀ سازمان بورس اوراق بهادار تهران و سایر نرم‌افزارهای مرتبط استخراج شده است.

در بسیاری از پژوهش‌های انجام‌شده در این زمینه، اطلاعات مرتبط با داده‌های آب و هوا از سازمان بین‌المللی هواشناسی^{^[16]} (WUC) استخراج شده است. در این پژوهش نیز از داده‌های این سازمان استفاده شده است که شامل اطلاعات آب و هوای ساعتی و روزانۀ شهرهای بزرگ ومهم دنیا است. اطلاعات آب و هوای تهران براساس سه پایگاه اطلاعاتی فرودگاه پیام کرج، فرودگاه مهرآباد و فرودگاه امام خمینی در این سازمان ثبت شده‌‌اند. داده‌های مربوط به اختلالات خلقی‌ فصلی (OR)‌‌ از ‌وب‌سایت دانشگاه تورنتو بخش محاسبات در علوم انسانی و اجتماعی استخراج شده است [18].^{^[17]}

در این پژوهش برای هر یک از متغیرهای وابسته، دو الگوی رگرسیونی براساس داده‌های روزانه و ساعتی برازش شده است. ابتدا برای هریک از متغیرها، الگوی رگرسیونی روزانه برمبنای متغیرهای مجازی Int1_t ساعت انجام معاملات در روز t از 09:00الی10:00، Int2_t ساعت انجام معاملات در روز t از 10:00الی11:00، Int3_t ساعت انجام معاملات در روز t از 11:00الی12:00 برازش شده است؛ سپس برای ایجاد شواهد اضافی، الگوی رگرسیونی مربوط به داده‌های ساعتی به‌صورت مجزا آزمون شده است.

متغیرهای وابستۀ استفاده‌شده در پژوهش عبارتند از:

بازده بازار (RET) عایدی حاصل از سرمایه‌گذاری در یک دورۀ مشخص زمانی است. در این پژوهش از بازده روزانه و ساعتی استفاده می‌شودکه به‌صورت زیر تعریف می‌شود:

RET _t=[ln(I_t/I_t-1)]

I_t نشان‌دهندۀ عدد شاخص در زمان t وI_t-1 نشان‌دهندۀ عدد شاخص در زمانt-1 است. با استفاده از عدد شاخص و با فرمول بیان‌شده، بازده روزانه و ساعتی محاسبه می‌شود. الگوی رگرسیون براساس داده‌های روزانه و ساعتی به‌ترتیب زیر ارائه شده است:

‌RET_t=α₀+α₁RET_t_-₁+α₂CC_t+α₃TEMP_t+α₄HUM_t+α₅WIND_t+α₆SNOW_t+α₇RAIN_t+α₈Int1_t+α₉Int2_t+α₁₀Int3_t+α₁₁OR_t+ε_t
RET_t=α₀+α₁RET_t_-₁+α₂CC_t+α₃TEMP_t+α₄HUM_t+α₅WIND_t+α₆SNOW_t+α₇RAIN_t+α₈OR_t+ε_t

گردش معاملات (TUR) از تقسیم حجم‌معاملات بازار بر تعداد سهام در جریان برای کل شرکت‌های پذیرفته‌شده در بورس اوراق بهادار تهران به دست می‌آید. همانند بازده، این معیار نیز به‌صورت روزانه و ساعتی محاسبه می‌شود. الگوی رگرسیون براساس داده‌های روزانه و ساعتی به‌ترتیب زیر ارائه شده است:

‌TUR_t=β₀+β₁TUR_t-1+β₂CC_t+β₃TEMP_t+β₄HUM_t+β₅WIND_t+β₆SNOW_t+β₇RAIN_t+β₈Int1+β₉Int2_t+β₁₀Int3_t+β₁₁OR_t+Ʋ_t
TUR_t=β₀+β₁TUR_t_-₁+β₂CC_t+β₃TEMP_t+β₄HUM_t+β₅WIND_t+β₆SNOW_t+β₇RAIN_t+β₈OR_t+Ʋ_t

نوسان‌پذیری (VOT)یکی از معیارهایی است که میزان پراکندگی شاخص را محاسبه می‌کند. در این پژوهش برای محاسبۀ نوسان‌پذیری، از دامنۀ تغییرات مقدار شاخص استفاده شده که به‌صورت زیر تعریف می‌شود:

VOT=(indexhi−indexlo)/([indexhi+indexlo]/2)

(INDEXLO) INDEXHI نشان‌دهندۀ بیشترین (کمترین) ارزش شاخص بورس اوراق بهادار تهران برای هر دوره است. با استفاده از فرمول بیان‌شده، نوسان‌پذیری روزانه و ساعتی شاخص محاسبه می‌شود. الگوی رگرسیون براساس داده‌های روزانه و ساعتی به‌ترتیب زیر ارائه شده است:

VOLT_t=γ₀+γ₁VOLT_t-1+γ₂CC_t+ γ₃TEMP_t+γ₄HUM_t+γ₅WIND_t+γ₆SNOW_t+ γ₇RAIN_t+γ₈Int1_t+γ₉Int2_t+γ₁₀Int3_t+γ₁₁OR_t+ⱴ_t
VOLT_t=γ₀+γ₁VOLT_t_-₁+γ₂CC_t+γ₃TEMP_t+γ₄HUM_t+γ₅WIND_t+γ₆SNOW_t+γ₇RAIN_t+γ₈OR_t+ⱴ_t

نقدشوندگی (ILLIQ) مشابه روش آمیهود (2002) اندازه‌گیری شده است. آمیهود (2002) با ارائۀ الگویی، معیاری برای اندازه‌گیری عدم نقدشوندگی (معیار معکوس نقدشوندگی) معرفی کرد. او نقدشوندگی را سهولت خرید و فروش سهم بدون تغییر در قیمت آن تعریف کرد و با تقسیم بازده روزانه بر معاملات روزانه، معیار معکوس نقدشوندگی را محاسبه کرد [1]. از آنجایی که این معیار برای بازارهایی مناسب است که بدون زیرساخت‌های کلان بازار سرمایه هستند و بازار توسعه‌یافته‌ای ندارند، در پژوهش حاضر از این معیار استفاده خواهد شد؛ بنابراین اگر حجم‌ معاملات سهمی پایین باشد یا در یک دورۀ زمانی مشخص، تعداد روزهای معاملاتی آن کم باشد، نقد‌شوندگی پایینی دارد. معیار عدم نقد‌شوندگی به‌صورت زیر محاسبه می‌شود:

ILLIQt=∣RETt∣/(VOLDt(

∣RETt∣ قدر مطلق بازده روزانه است و VOLDt حجم معاملات روزانه در بورس اوراق بهادار تهران است. داده‌های این معیار با استفاده از اطلاعات بازده وحجم‌ معاملات درطول دوره‌های زمانی نسبتاً طولانی استخراج‌شدنی است. الگوی رگرسیون براساس داده‌های روزانه و ساعتی به‌ترتیب زیر ارائه شده است:

ILLIQ_t=φ₀+φ₁ILLIQ_t-1+φ₂CC_t+φ₃TEMP_t+φ₄HUM_t+φ₅WIND_t+φ₆SNOW_t+φ₇RAIN_t+φ₈Int1_t+φ₉Int2_t+ φ₁₀Int3_t+φ₁₁OR_t+ω_t
ILLIQ_t=φ₀+φ₁ILLIQ_t_-₁+φ₂CC_t+φ₃TEMP_t+φ₄HUM_t+φ₅WIND_t+φ₆SNOW_t+φ₇RAIN_t+φ₈OR_t+ω_t

متغیرهای استفاده‌شده در الگو‌ها عبارتند از: CC_t نسبت پوشش ابر در روز t_،TEMP_t درجه حرارت روز t، HUM_t میزان رطوبت‌ هوا در روز t، WIND_t متغیر مجازی سرعت باد در روز t، SNOW_tمتغیر مجازی برف در روز t، RAIN_t متغیر مجازی باران در روز t، Int1_t ساعت انجام معاملات در روز t از 09:00الی10:00، Int2_t ساعت انجام معاملات در روز t از 10:00الی11:00، Int3_t ساعت انجام معاملات در روز t از 11:00الی12:00، RET_t بازده شاخص در روز t، TUR_t گردش‌معاملات در روزt، VOLT_t نوسان‌پذیری در روز t، ILLIQ_t معیار عدم نقدشوندگی در روز t، OR_tنسبت افراد مبتلا به اختلالات فصلی در روز t.

متغیرهای مستقل استفاده‌شده در پژوهش عبارتند از:

سازمان هواشناسی نسبت پوشش ابر (Cloud Cover ratio) را به‌طور روشن بیان نمی‌کند؛ اما وضعیت آب و هوا را ارائه می‌دهد که به‌گونه‌ای مرتبط با این نسبت است؛ بنابراین منطبق با ساندرز (1993) برای پوشش ابر، رتبۀ 1 تا 5 در نظر گرفته می‌شود. به‌گونه‌ای که برای وضعیت آفتابی عدد یک، نیمه ابری عدد دو، ابری عدد سه، بارانی عدد چهار، برفی یا مه‌گرفتگی، عدد پنج در نظر گرفته شده است؛ به عبارت دیگر نسبت پوشش ابر برای حالت1، 0-10 درصد، برای حالت 2، 10-30 درصد، برای حالت 3، 30-50 درصد، حالت 4، 50-80 درصد و برای حالت 5، 80-100 درصد است. از آنجایی که شرایط آب و هوا در بازار سهام می‌تواند تأثیر بسزایی بگذارد-ازجمله در برقراری ارتباطات و یا سایر فعالیت‌های معاملاتی یا تجاری-در پژوهش حاضر مانند لوگران و شولتز (2004) از متغیر مجازی باران و برف در رابطۀ رگرسیونی استفاده خواهد شد. از آنجایی که این متغیرها اسمی هستند، به کمک متغیرهای مجازی به کمیت تبدیل می‌‌شوند. برای شناسایی اثر باران و برف از دو متغیر به نام Rain _tوSnow_t استفاده می‌‌شود که اندیس t در آن، نشان‌دهندۀ روز است. در صورتی که روز t برفی باشد، مقدار متغیر Snow برابر عدد 1 و در غیر این صورت عدد صفر در نظر گرفته می‌شود. به‌طور مشابه، چنانچه روز t بارانی باشد، مقدار متغیر Rain برابر عدد 1 و در غیر این صورت عدد صفر در نظر گرفته می‌شود. دمای هوا (Temperture) معیاری برای تعیین میزان گرمی یا سردی هوا است. متغیر استفاده‌شده در رابطۀ رگرسیونی، Temp_t است که نشان‌دهندۀ دمای هوای تهران در روز t است. یکای استفاده‌شده برای این متغیر، درجۀ سانتی‌گراد است. رطوبت هوا (Humidity) به بخار آب موجود در هوا گفته می‌شود. از منظر فیزیولوژیکی، رطوبت هوا به‌طور مستقیم در تنفس ما تأثیر می‌گذارد و همچنین باعث می‌شود انسان احساس گرما کند. درواقع هنگامی که رطوبت هوا زیاد است، عرق کمتری از سطح پوست تبخیر می‌شود. درنتیجه انسان احساس گرما می‌کند. به‌طور کلی، مردم در شرایطی که درجه حرارت بالا، اما میزان رطوبت هوا کم است، نسبت به شرایطی که درجه حرارت نسبتأ پایین، اما میزان رطوبت بالا است، احساس بهتری دارند. متغیر استفاده‌شده در پژوهش برای میزان رطوبت هوا، HUM_t است که نشان‌دهندۀ میزان رطوبت هوا در روز t است. میزان باد (Wind) یکی دیگر از عوامل تأثیرگذار محیطی در افراد است. برای این عامل نیز از متغیر مجازی به نام wind_t استفاده خواهد شد که متغیر wind_t سرعت باد را در روزt نشان می‌دهد. استتوپولوس (2009) معتقد است زمانی که سرعت باد کمتر ازkm/h 5 باشد، مردم آن را به‌خوبی احساس نخواهند کرد و واکنش آنها به سرعت باد زمانی است که سرعت آن بیشتر از km/h5 باشد [24]. بنا بر نظر وی، جینگ لو و روبین چو (2012) متغیر مجازی سرعت باد را ایجاد کردند؛ بنابراین زمانی که سرعت باد بیشتر از km/h5 بوده است، مقدار این متغیر برابر 1 و در غیر این صورت صفر در نظر گرفته شده است. براساس داده‌های سی سالۀ ایستگاه سینوپتیک تهران، میانگین سرعت باد 4/9 کیلومتر بر ثانیه است؛ بنابراین درنظرگرفتن مبنای 5 کیلومتر بر ثانیه برای ساختن متغیر مجازی سرعت باد در تهران بسیار کم است. درنتیجه براساس داده‌های سی سالۀ ایستگاه سینوپتیک تهران، در صورتی که سرعت باد بیشتر از میانگین (km/h4/9) باشد، عدد 1 و در غیر این صورت عدد صفر برای متغیر wind_t در نظرگرفته می‌شود.

پژوهش‌های قبلی، مدت طول شب را متغیر اختلالات خلقی فصلی در نظر گرفته‌اند و با تعامل دوره‌ای بین بی‌نظمی‌های فصلی و فصل پاییز یا زمستان، تغییر خلق و خوی سرمایه‌گذاران را ارزیابی کرده‌اند. با این حال، این روش، تغییر خلق و خوی افراد را در فصل بهار و تابستان نادیده می‌گیرد؛ زیرا تعامل دوره‌ای بین این دو فصل، صفر است. کامسترا و همکاران (2007) معتقدند روش تعامل بین پاییز یا زمستان و مدت طول شب که در پژوهش‌های گذشته استفاده می‌شده، مشکل‌زا است؛ زیرا آنها متغیرهایی عینی در طبیعت هستند و ممکن است رابطۀ مستقیمی با اختلالات فصلی نداشته باشند [14]؛ بنابراین برای دست‌یابی به تغییرات و نوسان‌های غیرخطی خلق و خوی افراد در طول سال، مشابه کار کامسترا و همکاران (2007)، از متغیر OR به‌عنوان متغیر کنترل اختلالات خلقی فصلی در رابطۀ رگرسیونی استفاده می‌‌شود. OR در انتهای فصل تابستان آغاز می‌شود و در فصل پاییز به حداکثر می‌رسد و در فصل بهار کاهش می‌یابد و به حداقل می‌رسد؛ به عبارت دیگر مقدار این متغیر در فصل بهار و زمستان منفی است. برای محاسبۀ این متغیر، ابتدا شاخصی برای تعیین میزان ابتلای افراد به اختلالات فصلی ایجاد شده است که تفاوت بین نسبت تجمعی میزان اختلالات فصلی در ماه معین به نسبت تجمعی اختلالات فصلی در ماه مشابه است؛ سپس با استفاده از یک تابع، داده ماهانه به روزانه تبدیل می‌شود و با اجرای یک رگرسیون لجستیک، 1/(1+e ^α+βdayt یک تابع غیرخطی که محدوده 0-100%در روز t دارد، برازش می‌شود، به‌گونه‌ای که day_t نشان‌دهندۀ مدت طول روز است و t هریک از مقادیر 365-1 را می‌تواند به خود اختصاص دهد و درواقع نشان‌دهندۀ نسبت افرادی است که به اختلالات فصلی مبتلا شده‌اند میزان دمای هوا در فصل تابستان بیشتر از دمای فصل زمستان است؛ برای مثال، بالاترین میانگین دمای تهران در تابستان ͨ°36 و پایین‌ترین میانگین دما در فصل زمستان ͨ°4 است. نسبت پوشش ابر نیز مشابه دمای هوا است. به‌گونه‌ای که نسبت پوشش ابر در فصل تابستان بسیار کمتر از فصل زمستان است. میزان رطوبت هوا در برخی از ماه‌های سال بسیار کم و در برخی دیگر بسیار زیاد است. به‌طور کلی میزان رطوبت شهر تهران در فصل زمستان به حداکثر و در فصل تابستان به حداقل خواهد رسید که این متغیر نیز باید غیرفصلی شود. با توجه به موارد ذکرشده، کنترل اثر فصلی این متغیرها، اهمیت زیادی دارد؛ بنابراین در پژوهش حاضر برای کنترل فصلی متغیرهای آب و هوا، از روش مشابه چانگ و همکاران (2008) و هرشیفلر و شاموی (2003) و جینگ لو و روبین چو (2012) استفاده خواهد شد. برای غیرفصلی‌کردن متغیرها، ابتدا‌ میانگین‌ هفتگی متغیرها در طول سال محاسبه و سپس مقدار متغیر مدّنظر از مقدار میانگین هفتگی کسر می‌شود؛ بنابراین مقدار متغیر، غیرفصلی شده و مقدار تفاضلی آن، نزدیک به صفر خواهد شد.

یافته‌ها

براساس آنچه پیش‌تر گفته شد، برای دستیابی به تصویر بهتر از نتایج پژوهش، آزمون‌ها برمبنای داده‌های روزانه و داده‌های ساعتی که از ساعت (12-9) به‌صورت هر یک ساعت تفکیک و اجرا شده است. در بخش آمار توصیفی، داده‌های آب و هوا به دو دسته تقسیم شده اند:1. داده‌های خام، 2. داده‌های غیرفصلی‌شده. براساس نتایج استخراجی از آمار توصیفی متغیرهای آب و هوا می‌توان گفت میانگین دمای هوا در تهران 926/17-661/19 است. براساس انتظار، بالاترین میانگین دمای هوا در ساعت (12-11) و کمترین دما در ساعت بین (10-9) است. میانگین میزان رطوبت در ساعت (12-9) تفاوت چندانی با یکدیگر ندارند. میزان پوشش ابر در ساعت بین (10-9) نسبت به ساعات دیگر بیشتر است که نشان‌دهندۀ نوسان‌ها و پراکندگی بالای پوشش ابر در اوایل روز است. پیش از غیرفصلی‌کردن متغیرها، میانگین دمای تهران بسیار نوسان داشته است. بیشترین مقدار نوسان دما در ساعت (11-10) بوده است. پس از کنترل فصلی، میزان انحراف معیار در طول ساعت‌های معاملاتی نسبتاً کاهش یافته است و نشان می‌دهد عامل فصلی به‌خوبی کنترل شده‌است.

براساس نتایج استخراجی از آمار توصیفی متغیرهای بازار می‌توان گفت میانگین بازده روزانۀ بورس اوراق بهادار تهران در بازه زمانی هشت ساله، حدود 04/0 درصد بوده که کمترین میانگین در ساعت انتهایی بازار (12-11) است و مقدار آن برابر 02/0- درصد بوده‌ است. بیشترین مقدار بازده در ساعت اولیۀ بازار (10-9) با مقدار 14/0 درصد بوده‌ است. متوسط گردش معاملات روزانۀ بورس اوراق بهادار تهران، در هشت سال، 01/0 درصد است که کمترین مقدار گردش معاملات در ساعت اولیه معاملات با مقداری برابر 006/0 درصد بوده است. متوسط گردش معاملات در ساعت‌های (11-10) و (12-11) تقریباً با یکدیگر برابر بوده‌اند. میانگین روزانۀ نوسان‌پذیری شاخص در هشت سال، 2/0 درصد است که کمترین مقدار نوسان‌پذیری در ساعت میانی معاملات (11-10) و بیشترین مقدار نوسان‌پذیری در ساعت انتهایی اتفاق افتاده است. میانگین روزانۀ معیار نقدشوندگی در بازه زمانی هشت ساله، 2/0 درصد بوده است که ساعت اولیۀ معاملات، بالاترین میزان نقدشوندگی و ساعت انتهایی معاملات، کمترین میزان نقدشوندگی را داشته است.

نتایج آزمون فرضیه‌ها براساس داده‌های روزانه در جدول (1) ارائه شده است.

جدول (1) نتایج داده‌های روزانه

RET_t=α₀+α₁RET_t_-₁+α₂CC_t+α₃TEMP_t+α₄HUM_t+α₅WIND_t+α₆SNOW_t+α₇RAIN_t+α₈Int1_t+α₉Int2_t+α₁₀Int3_t+α₁₁OR_t+ε_t
TUR_t=β₀+β₁TUR_t-1+β₂CC_t+β₃TEMP_t+β₄HUM_t+β₅WIND_t+β₆SNOW_t+β₇RAIN_t+β₈Int1+β₉Int2_t+β₁₀Int3_t+β₁₁OR_t+Ʋ_t
VOLT_t=γ₀+γ₁VOLT_t-1+γ₂CC_t+ γ₃TEMP_t+γ₄HUM_t+γ₅WIND_t+γ₆SNOW_t+ γ₇RAIN_t+γ₈Int1_t+γ₉Int2_t+γ₁₀Int3_t+γ₁₁OR_t+ⱴ_t
ILLIQ_t=φ₀+φ₁ILLIQ_t-1+φ₂CC_t+φ₃TEMP_t+φ₄HUM_t+φ₅WIND_t+φ₆SNOW_t+φ₇RAIN_t+φ₈Int1_t+φ₉Int2_t+ φ₁₀Int3_t+φ₁₁OR_t+ω_t
	متغیر وابستۀ روزانه
متغیر مستقل	بازده	نوسان‌پذیری	نقدشوندگی	گردش معاملات
بازده وقفه‌دار	***333824/0 (000/0)
نوسان‌پذیری وقفه‌دار		***076717/0 (000/0)
نقدشوندگی وقفه‌دار			***1757/0 (000/0)
گردش معاملات وقفه‌دار				000123/0- (9945/0)
پوشش ابر	00124/0 (961/0)	000238/0 (2859/0)	00022/0 (493/0)	00273/0- (561/0)
دما	00150/0- (467/0)	00133/0- (4613/0)	000014/0 (957/0)	000604/0 (112/0)
رطوبت	000894/0 (852/0)	000648/0 (877/0)	000493/0 (935/0)	000209/0- (814/0)
باد	**000259/0- (035/0)	**000399/0 (0273/0)	000112/0- (45/0)	00210/0 (332/0)
برف	**00104/0- (0134/0)	**000511/0- (011/0)	*00013/0- (0801/0)	000450/0 (970/0)
باران	**000215/0- (0194/0)	**000273/0 (021/0)	000286/0- (503/0)	00191/0 (757/0)
سنجۀ اختلالات خلقی فصلی	00202/0 (422/0)	000148/0 (498/0)	**000805/0 (0112/0)	00676/0- (1432/0)
دورۀ زمانی10-9	***0017/0 (000/0)	***000738/0- (000/0)	***0028/0 (000/0)	***000124/0 (000/0)
دورۀ زمانی 11-10	00214/0- (871/0)	***00111/0- (000/0)	***00087/0 (000/0)	***000126/0- (000/0)
دورۀ زمانی 12-11	00211/0 (871/0)	***0012/0 (000/0)	***000813/0- (000/0)	***000106/0 (000/0)
عرض از مبدأ	**00017/0- (037/0)	***0024/0 (000/0)	***000558/0 (0007/0)	***000179/0 (000/0)
اچ دوربن	721/0	1074/1	7650/0	0007/2
ضریب تعیین	54/15	50/3	82/10	62/1
احتمال آمارۀ F	000/0	000/0	000/0	106/0
عامل تورم واریانس	18/1	03/1	12/1	01/1

در جدول 1 * معناداری در سطح 10 درصد، ** معناداری در سطح 5 درصد و *** معناداری در سطح 1 درصد را نشان می‌دهد. اعداد داخل پرانتز نشان‌دهندۀ سطح معناداری هر متغیر است. با توجه به سطح معناداری آمارۀ F، ملاحظه می‌شود تخمین کلی سه الگوی بازده، نوسان‌پذیری و نقدشوندگی در سطح 1 درصد و تخمین الگوی گردش معاملات به‌لحاظ آماری معنادار نیست. نتایج آزمون الگوی بازده در جدول (2) ارائه شده است.

جدول (2) نتایج الگوی بازده

RET_t=α₀+α₁RET_t-1+α₂CC_t+α₃TEMP_t+α₄HUM_t+ α₅WIND_t+α₆SNOW_t+α₇RAIN_t+α₈OR_t+ε_t
ساعت‌های معاملاتی
12-11	11-10	10-9	12-9	زمان متغیر مستقل
***2407/0 (000/0)	***315/0 (000/0)	***363/0 (000/0)	***4035/0 (000/0)	بازده وقفه‌دار
000462/0- (1407/0)	000352/0 (3707/0)	000594/0 (331/0)	000932/0 (493/0)	پوشش ابر
00185/0- (408/0)	00183/0 (585/0)	00752/0- (183/0)	000102/0- (2446/0)	دما
00153/0- (696/0)	0000511/0- (997/0)	0003/0 (275/0)	000555/0 (2219/0)	رطوبت
000106/0- (5067/0)	000156/0 (3964/0)	**00023/0 (021/0)	00717/0 (8586/0)	باد
00780/0- (4273/0)	**000147/0- (0225/0)	00119/0- (233/0)	**002843/0- (0471/0)	برف
**000749/0 (0255/0)	00475/0- (922/0)	000288/0- (843/0)	**000380/0- (0384/0)	باران
**000143/0- (019/0)	000187/0- (631/0)	*00093/0 (0996/0)	000541/0- (552/0)	سنجه اختلالات خلقی فصلی
00018/0 (4606/0)	000239/0 (1235/0)	***000686/0 (000/0)	***00782/0 (007/0)	عرض از مبداء
9561/0	0043/1	5703/0-	1045/1	اچ دوربن
40/6	10/10	69/13	94/16	ضریب تعیین
0/0000	0/0000	0/0000	0/0000	F احتمال آمارۀ
1/06	1/11	1/15	1/011	عامل تورم واریانس
1540	1457	1540	1827	تعداد مشاهدات

در جدول (2) * معناداری در سطح 10 درصد، ** معناداری در سطح 5 درصد و *** معناداری در سطح 1 درصد را نشان میدهد. اعداد داخل پرانتز نشان‌دهندۀ سطح معناداری هر متغیر است. با توجه به سطح معناداری آمارۀ F تخمین کلی به‌لحاظ آماری معنادار است. ضرایب منفی متغیر برف در ساعت‌های(12-9) و (11-10) نشان‌دهندۀ وجود رابطۀ منفی بین برف و بازده است که در سطح 5 درصد به‌لحاظ آماری معنادار است. ضریب متغیر باران در ساعت‌های (12-9) و ( 12-11) به‌لحاظ آماری، در سطح 5درصد معنادار هستند. عامل تورم واریانس، در تمامی الگو‌ها کمتر از عدد 7 است که نشان‌دهندۀ نبود هم‌خطی در بین متغیرهای پژوهش است. مقدار اچ دوربن نیز نشان‌دهندۀ نبود همبستگی بین جملات خطا است. نتایج آزمون الگوی نقدشوندگی در جدول (3) ارائه شده است.

جدول (3) نتایج الگوی نقدشوندگی

ILLIQ_t=φ₀+φ₁ILLIQ_t_-₁+φ₂CC_t+φ₃TEMP_t+φ₄HUM_t+φ₅WIND_t+φ₆SNOW_t+φ₇RAIN_t+φ₈OR_t+ω_t
ساعت‌های معاملاتی
12-11	11-10	10-9	12-9	زمان متغیر مستقل
***2751/0 (000/0)	***1046/0 (0008/0)	***401384/0 (000/0)	***2982/0 (000/0)	نقدشوندگی وقفه‌دار
000289/0 (1235/0)	000268/0 (6587/0)	00817/0 (910/0)	00201/0 (8728/0)	پوشش ابر
000691/0- (6068/0)	00420/0 (418/0)	000789/0- (906/0)	000693/0 (3905/0)	دما
000214/0- (927/0)	000121/0 (571/0)	000124/0- (706/0)	00198/0 (6363/0)	رطوبت
00320/0- (740/0)	000354/0- (212/0)	00903/0 (761/0)	00369/0- (3218/0)	باد
**000294/0- (0361/0)	000193/0 (908/0)	*000540/0- (094/0)	*000652/0- (098/0)	برف
000130/0- (6212/0)	**00669/0 (042/0)	**000958/0- (0218/0)	**000617/0- (0147/0)	باران
**000428/0 (0276/0)	*000434/0 (0603/0)	*00112/0 (095/0)	**000210/0 (0134/0)	سنجۀ اختلالات خلقی فصلی
***000614/0 (000/0)	***002004/0 (000/0)	***002012/0 (000/0)	***000245/0 (000/0)	عرض از مبداء
0263/1-	0975/1	9911/0	1405/1	اچ دوربن
66/9	47/1	66/16	57/10	ضریب تعیین
000/0	000/0	000/0	000/0	F احتمال آمارۀ
106989/1	014919/1	199904/1	118193/1	عامل تورم واریانس
1543	1460	1520	1798	تعداد مشاهدات

در جدول (3) * معناداری در سطح 10 درصد، ** معناداری در سطح 5 درصد و *** معناداری در سطح 1 درصد را نشان میدهد. اعداد داخل پرانتز نشان‌دهندۀ سطح معناداری هر متغیر است. با توجه به سطح معناداری آمارۀ F مشاهده می‌شود که تخمین کلی به‌لحاظ آماری در سطح 1 درصد معنادار است. متغیر برف در ساعت‌های(12-9) و (10-9) در سطح 10 درصد معنادار است و در ساعت (12-11) در سطح 5 درصد معنادار است. با توجه به معناداری مقادیر ضریب سنجۀ اختلالات خلقی فصلی می‌توان گفت رابطۀ مثبت بین اختلالات خلقی فصلی و نقدشوندگی وجود دارد. عامل تورم واریانس، در تمامی الگو‌ها کمتر از عدد 7 است که نشان‌دهندۀ نبود هم‌خطی در بین متغیرهای پژوهش است. مقدار اچ دوربن نیز نشان‌دهندۀ نبود همبستگی بین جملات خطا است. نتایج آزمون الگوی گردش معاملات در جدول (4) ارائه شده است.

جدول (4)نتایج الگوی گردش معاملات

TUR_t=β₀+β₁TUR_t_-₁+β₂CC_t+β₃TEMP_t+β₄HUM_t+β₅WIND_t+β₆SNOW_t+β₇RAIN_t+β₈OR_t+Ʋ_t
ساعت‌های معاملاتی
12-11	11-10	10-9	12-9	زمان متغیر مستقل
03637/0 (2447/0)	003611/0 (9083/0)	00111/0- (9717/0)	**05847/0 (0433/0)	گردش معاملات‌وقفه‌دار
00567/0- (6311/0)	000380/0- (9007/0)	00111/0- (8681/0)	000521/0 (71/0)	پوشش ابر
00138/0 (1027/0)	000193/0 (4592/0)	00000968/0 (9875/0)	00910/0- (3219/0)	دما
000211/0- (8866/0)	000456/0- (6731/0)	000126/0 (9667/0)	00031/0- (5069/0)	رطوبت
00415/0 (4918/0)	000318/0 (8242/0)	00219/0 (4229/0)	000122/0- (774/0)	باد
00453/0 (9022/0)	00325/0 (7003/0)	00120/0- (9314/0)	00118/0- (5129/0)	برف
000120/0 (9942/0)	00309/0 (4147/0)	00209/0- (8201/0)	000501/0- (5029/0)	باران
000188/0- (1218/0)	00156/0 (6043/0)	00135/0- (8260/0)	00129/0- (1781/0)	سنجۀ اختلالات ‌خلقی فصلی
***000151/0 (0033/0)	***00619/0 (000/0)	**00489/0 (0252/0)	***001788/0 (000/0)	عرض از مبداء
9974/0	000649/2	0042/1	4976/0-	اچ دوربن
83/0	15/0	09/0	77/0	ضریب تعیین
37/0	99/0	11/0	32/0	احتمال آمارۀ اف
007/1	1	001/1	008/1	عامل تورم واریانس
1540	1469	1526	1781	تعداد مشاهدات

در جدول (4) * معناداری در سطح 10 درصد، ** معناداری در سطح 5 درصد و *** معناداری در سطح 1 درصد را نشان میدهد. اعداد داخل پرانتز نشان‌دهندۀ سطح معناداری هر متغیر است. با توجه به سطح معناداری آمارۀ F، تخمین کلی این رگرسیون به‌لحاظ آماری معنادار نیست؛ بنابراین به‌طور کلی گفت هیچگونه رابطۀ معناداری بین آب و هوا و گردش معاملات در بورس اوراق بهادار تهران وجود ندارد. عامل تورم واریانس، در تمامی الگوها کمتر از عدد 7 است؛ بنابراین هیچگونه هم‌خطی بین متغیرهای پژوهش وجود ندارد و به تغییر و یا حذف متغیری نیاز نیست. مقدار اچ دوربن در تمامی رگرسیون‌های مربوط، نشان‌دهندۀ نبود خودهمبستگی بین جملات خطا است. نتایج آزمون الگوی نوسان‌پذیری در جدول (5) ارائه شده است.

جدول (5) نتایج الگوی نوسان‌پذیری

VOLT_t=γ₀+γ₁VOLT_t_-₁+γ₂CC_t+γ₃TEMP_t+γ₄HUM_t+γ₅WIND_t+γ₆SNOW_t+γ₇RAIN_t+γ₈OR_t+ⱴ_t
ساعت‌های معاملاتی
12-11	11-10	10-9	12-9	زمان متغیر مستقل
***367/0 (000/0)	***295/0 (000/0)	***459/0 (000/0)	***294/0 (000/0)	نوسان‌پذیری وقفه‌دار
000482/0 (1857/0)	000228/0 (5347/0)	000528/0 (1269/0)	000642/0 (2441/0)	پوشش ابر
00130/0- (6159/0)	*000318/0- (0859/0)	*00531/0- (0966/0)	00153/0 (666/0)	دما
000814/0 (8584/0)	00409/0- (7535/0)	00416/0 (789/0)	00203/0 (906/0)	رطوبت
**000205/0 (0413/0)	*000318/0- (0652/0)	000160/0 (255/0)	00994/0- (5461/0)	باد
000818/0- (4724/0)	*000124/0- (9029/0)	**001011/0- (041/0)	**000132/0- (0497/0)	برف
**000387/0 (0439/0)	00122/0- (9787/0)	000719/0 (1292/0)	*000462/0- (085/0)	باران
**000242/0- (0227/0)	000347/0- (3368/0)	**000790/0- (0136/0)	000177/0- (638/0)	سنجۀ اختلالات خلقی فصلی
***001520/0 (000/0)	***001325/0 (000/0)	000905/0^*** (000/0)	001192/0^*** (000/0)	عرض از مبداء
4465/1	44/2	0595/2	9124/0-	اچ دوربن
06/14	04/9	74/22	10/9	ضریب تعیین
0/000	0/000	0/000	0/0000	F احتمال آمارۀ
16/1	09/1	29/1	1/1	عامل تورم واریانس
1543	1472	1528	1783	تعداد مشاهدات

در جدول(5) * معناداری در سطح 10 درصد، ** معناداری در سطح 5 درصد و *** معناداری در سطح 1 درصد را نشان میدهد. اعداد داخل پرانتز نشان‌دهندۀ سطح معناداری هر متغیر است. با توجه به سطح معناداری آمارۀ F، تخمین کلی به‌لحاظ آماری در سطح 1 درصد معنادار است. ضریب 000132/0- برای متغیر برف در الگوی روزانه، نشان‌دهندۀ وجود رابطۀ منفی بین نوسان‌پذیری و متغیر برف است که این رابطه در سطح 5 درصد معنادار است. همانطور که دیده می‌شود، ضرایب این متغیر در تمامی الگوها منفی است که نشان‌دهندۀ وجود رابطۀ منفی بین نوسان‌پذیری و متغیر برف است؛ اما در ساعت اولیۀ معاملات (10-9) این رابطه در سطح 5 درصد و در ساعت میانی معاملات در سطح 10 درصد معنادار است. متغیر دما در ساعت اولیۀ معاملات، در سطح 10 درصد معنادار است. مقدار ضریب این متغیر در ساعت (10-9) برابر 00531/0- است که نشان‌دهندۀ وجود رابطۀ منفی بین دما و نوسان‌پذیری است. ضریب 000318/0- برای متغیر باد در ساعت 11-10 نشان‌دهندۀ وجود رابطۀ منفی بین سرعت باد و نوسان‌پذیری است که به‌لحاظ آماری، در سطح 10 درصد معنادار است. ضریب این متغیر در ساعت پایانی معاملات (12-11) برابر 000205/0 است که نشان‌دهندۀ وجود رابطۀ مثبت بین سرعت باد و نوسان‌پذیری است که به‌لحاظ آماری در سطح 5 درصد معنادار است. ضریب 000462/0- برای متغیر باران در الگوی روزانه، نشان‌دهندۀ وجود رابطۀ منفی بین باران و نوسان‌پذیری است که به‌لحاظ آماری در سطح 10 درصد معنادار است. مقدار این متغیر در ساعت پایانی معاملات برابر 000387/0 است که نشان‌دهندۀ وجود رابطۀ مثبت بین باران و نوسان‌پذیری در ساعت 12-11 است که به‌لحاظ آماری در سطح 5 درصد معنادار است. عامل تورم واریانس در تمامی الگو‌ها کمتر از عدد 7 است که نشان‌دهندۀ نبود هم‌خطی در بین متغیرهای پژوهش است. مقدار اچ دوربن نیز نشان‌دهندۀ نبود همبستگی بین جملات خطا است.

نتیجه‌گیری و پیشنهادها

نتایج پژوهش حاضر در برخی موارد همسان و در برخی موارد مغایر با پژوهش‌های پیشین است. همچون بسیاری از پژوهش‌ها، این تفاوت‌ها انتساب‌دادنی به محیط اقتصادی، وضعیت بازار سرمایه و همچنین تفاوت‌های ساختاری در متغیرهای بنیادی است. درخصوص اولین الگو می‌توان گفت تمامی متغیرهای آب و هوا، تأثیر معناداری در بازده نداشته‌اند و تنها متغیرهای برف، باران، باد و اختلالات خلقی فصلی ازجمله متغیرهایی بوده‌اند که تأثیر معناداری در بازده در بورس اوراق بهادار تهران داشته‌اند. البته معناداری این ضرایب در بازه‌های مختلف معاملاتی متفاوت بوده است؛ بنابراین در پژوهش حاضر نشان داده شد تأثیر آب و هوا در بازده در بازار مبتنی بر حراج (بورس اوراق بهادار تهران) معناداری کمتری نسبت به یافته‌های پژوهش‌ها در بازار مظنه‌یابی دارد. دلیل این امر می‌تواند این باشد که قیمت اوراق بهادار در بازار مظنه‌یابی را بازارسازان محلی در همان منطقه جغرافیایی تعیین می‌کنند؛ بنابراین آب و هوای محلی با احتمال بیشتری در بازده سهام تأثیر می‌گذارد؛ اما در بازارهای مبتنی بر حراج، سرمایه‌گذاران سفارش‌ها را به‌طور مستقیم می‌دهند که در مناطق مختلف جغرافیایی واقع شده‌اند؛ بنابراین تأثیر آب و هوا در خلق و خوی افراد در چنین بازارهایی متفاوت خواهد بود. به همین دلیل نتایج پژوهش حاضر با نتایج ساندرز (1993) و تقریباً مشابه نتایج جینگ لو و همکاران (2012) متفاوت بوده است. در پژوهش حاضر، متغیر اختلالات خلقی فصلی، یکی از مهم‌ترین متغیرهایی بوده است که معناداری قوی با متغیرهای بازار داشته است که در پژوهش‌های پیشین بدان توجه نشده است. درخصوص الگوی دوم، می‌توان استدلال کرد تمامی متغیرهای آب و هوا، تأثیر معناداری در معیار نقدشوندگی نداشته‌اند. مهم‌ترین متغیرهای تأثیرگذار در این معیار، متغیرهای مجازی باران، برف و اختلالات خلقی فصلی هستند. براساس نتایج آزمون‌های آماری، می‌توان استدلال کرد در روزهای برفی و بارانی، حجم معاملات بازار افزایش می‌یابد؛ بنابراین می‌توان گفت تعداد فروشندگان سهام در روزهای بارانی و برفی افزایش می‌یابدکه همین امر می‌تواند دلیلی بر کاهش بازده در چنین روزهایی نیز باشد. در بین متغیرهای معاملاتی، معیار نقدشوندگی یکی از متغیرهایی است که اختلالات خلقی فصلی در تمامی الگو‌ها، تأثیر معناداری در آن داشته است. درخصوص الگوی سوم، می‌توان استدلال گفت هیچگونه رابطۀ معناداری بین متغیرهای آب و هوا و گردش معاملات در بورس اوراق بهادار تهران وجود ندارد. چانگ و همکاران (2008) در پژوهش خود بدین نتیجه دست یافتند که متغیر آب و هوا، رابطۀ معناداری با گردش معاملات در بورس سهام نیویورک ندارد [5]. این نتایج با نتیجۀ پژوهش جینگ لو وهمکاران (2012) متناقض است. درخصوص الگوی چهارم، می‌توان استدلال کرد متغیرهای دما، رطوبت و پوشش ابر، تأثیر معناداری در نوسان‌پذیری شاخص ندارند؛ اما دیگر متغیرها، تأثیر معنادار قوی بر نوسان‌پذیری دارد. در روزهای برفی و روزهایی با سرعت باد زیاد، نوسان‌پذیری شاخص کمتر شده است. سنجۀ اختلالات خلقی فصلی در برخی از ساعت‌های معاملات روزانه، تأثیر معنادار در نوسان‌پذیری شاخص داشته است. سیموندیس و همکاران (2010) در پژوهش خود بدین نتیجه دست یافتند که متغیر آب و هوا (میزان پوشش ابر) تأثیر معناداری در نوسان‌پذیری شاخص دارد [25]. نتایج پژوهش جینگ لو و همکاران (2012) مشابه با نتایج پژوهش حاضر است.

به‌طور کلی می‌توان گفت وضعیت آب و هوا نیز بر رفتار معاملاتی سرمایه‌گذاران در بورس اوراق بهادار تهران تأثیری عمده‌ می‌گذارد. به‌طور کلی وضعیت آب و هوا نیز بر رفتار معاملاتی سرمایه‌گذاران در بورس اوراق بهادار تهران تأثیر می‌گذارد؛ بنابراین می‌توان گفت برای افراد آب و هوا تنها وضعیت ابری‌بودن، دما، سرعت باد و... نیست، بلکه آب و هوا، ساختاری روان‌شناسی است که فرد تجربه می‌کند. این تجربه، تأثیر قوی در خلق و خوی و منش افراد دارد متغیر برف و باران، بیشترین تأثیر را در بین متغیرهای آب و هوا داشته‌اند و همین امر نشان می‌دهد دمای هوا و میزان رطوبت و پوشش ابر بر رفتار معاملاتی سرمایه‌گذاران در بورس اوراق بهادار تهران تأثیر زیادی ندارند. در توضیح می‌توان گفت، تهران در منطقۀ خشک قرار دارد؛ بنابراین تفاوت در میزان رطوبت در بین فصول مختلف سال به‌طور محسوسی برای افراد حس‌کردنی نخواهد بود. این امر می‌تواند دلیلی بر تأثیر اندک این متغیر در رفتار و عملکرد معاملاتی سرمایه‌گذاران باشد. مطابق پژوهش هرشیفلر و شاموی، در روزهای آفتابی افراد خوش‌بین‌تر هستند و به احتمال زیاد، به خرید سهام تمایل بیشتری دارند [7،10،11]؛ بنابراین تأثیر منفی روزهای برفی و بارانی در بازده در بورس اوراق بهادار تهران را می‌توان اینگونه توجیه کرد؛ بنابراین می‌توان گفت تعداد خریداران سهام در چنین روزهایی کاهش می‌یابد. همین امر می‌تواند دلیلی بر کاهش بازده در چنین روزهایی نیز باشد. همچنین با توجه به متغیرهای معاملاتی می‌توان دریافت در روزهای برفی و بارانی حجم معاملات بازار و درنتیجه میزان نقدشوندگی کاهش می‌یابد. متغیر مجازی باران، رابطۀ مثبت و معناداری با نوسان‌پذیری داشته است که این نتیجه، مشابه یافته‌های کاویانی و همکاران (1384) بوده است که استدلال کردند احساس خوشکامی در شرایط بارانی بیشتر است. وضعیت‌های برفی و آفتابی در رده‌های بعدی قرار دارند [16]. همین امر می‌تواند دلیل وجود رابطۀ مثبت بین متغیر مجازی باران و دیگر متغیرهای معاملاتی در برخی ساعات روزانه باشد. نتایج پژوهش نشان می‌دهد پوشش ابر بر رفتار معاملاتی سرمایه‌گذاران تأثیر می‌گذارد و تأثیر آن در الگو‌های مختلف، متفاوت بوده است؛ اما در اغلب موارد، تأثیر مثبت بر عملکرد معاملاتی سرمایه‌گذاران داشته است و تنها در ساعت پایانی معاملات، تأثیر این متغیر در بازده منفی بوده است که در توجیه این تأثیرات متفاوت می‌توان گفت احتمالاً مواردی دیگر بر احساسات و رفتار معاملاتی سرمایه‌گذاران در این ساعت تأثیر داشته است. همچنین نتایج پژوهش نشان می‌دهد خلق و خوی افراد که با تغییر وضعیت آب و هوا تغییر می‌کند، در گردش معاملات تأثیر ندارد.

نکتۀ جالب توجه دیگر در نتایج پژوهش این است که معناداری ضرایب متغیرهای آب و هوا در ساعت اولیۀ معاملات بیشتر از دیگر ساعت‌های معاملاتی است و ساعت پایانی معاملات، کمترین میزان معنا‌داری را داشته است؛ به عبارت دیگر وضعیت آب و هوا در ساعت اولیه معاملات تأثیر بیشتری در رفتار و عملکرد سرمایه‌گذاران خواهد گذاشت. در توضیح این یافته می‌توان گفت بیشتر افراد در ساعت‌های بین 9-7 صبح (پیش از بازشدن سامانۀ معاملات) برای انجام فعالیت‌های روزمرۀ خود، از منزل خارج می‌شوند و بقیۀ ساعت‌های روزانه را در محل کار خود سپری می‌کنند؛ بنابراین اولین واکنش افراد به تغییر وضعیت آب و هوا، در ساعات اولیۀ معاملات است؛ بنابراین افزایش تأثیر وضعیت آب و هوا در رفتار معاملاتی سرمایه‌گذاران در ساعت اولیۀ معاملات، طبیعی است؛ بنابراین می‌توان نتیجه گرفت وضعیت آب و هوا تأثیر فوری و سریع در افراد و درنهایت بازار سهام دارد. لوگران و شولتز (2004) نیز در پژوهش خود بدین نتیجه دست یافتند [19]. در پژوهش حاضر، اختلالات خلقی فصلی یکی از مهم‌ترین متغیرهایی بوده است که بر متغیرهای بازار تأثیر داشته است؛ بنابراین می‌توان استنباط کرد زمانی‌که افراد از اختلالات خلقی فصلی رنج می‌برند، رفتار و عملکرد معاملاتی آنها نیز تحت تأثیر آن قرار می‌گیرد؛ بنابراین زمانی که افراد بیشتری به اختلالات خلقی فصلی مبتلا می‌شوند، حجم معاملات بازار و درنهایت نقدشوندگی کاهش می‌یابد. همانطور که روزنتال و همکاران (1984) در پژوهش خود بدین نتیجه دست یافتند که در بین متغیرهای آب و هوا، خلق و خوی افراد، مهم‌ترین عامل تأثیرگذار بر تصمیم‌گیری و عملکرد افراد است [22]. باتوجه به نتایج آزمون‌ها، تحلیلگران و مشاوران مالی از این روابط برای تجزیه و تحلیل عوامل مؤثر در رفتارهای معاملاتی سرمایه‌گذاران می‌توانند استفاده کنند. اختلاف وضعیت آب و هوا در مناطق مختلف، متفاوت است. با توجه به اینکه عامل مهم در پژوهش حاضر، عملکرد سرمایه‌گذاران بوده است که در تمامی مناطق گسترده شده‌اند و امکان متمایزکردن سرمایه‌گذاران براساس مناطق متفاوت در تهران و سایر شهرها میسر نبوده است؛ یکی از محدودیت‌های پژوهش حاضر به شمار می‌رود. از جمله سایر محدودیت‌های پژوهش به نبوداطلاعات هواشناسی در بعضی از روزها و ساعت‌های مطالعه‌شده می‌توان اشاره کرد که موجب حذف چنین روزهایی از نمونۀ پژوهش شده است. با توجه به موضوع پژوهش، متغیرهای مداخله‌گر دیگری در نتایج پژوهش تأثیرگذار است که امکان شناسایی و اندازه‌گیری آنها امکان‌پذیر نبوده است؛ بنابراین با توجه به اینکه در سال‌های اخیر میزان آلودگی هوا در تهران رو به افزایش بوده است، پیشنهاد می‌‌شود برای بررسی دقیق‌تر تأثیر آب و هوا در رفتار معاملاتی افراد، متغیر میزان آلودگی نیز بررسی شود و با توجه به اهمیت اختلالات خلقی فصلی در بین سرمایه‌گذاران، پیشنهاد می‌‌شود با تدوین پرسشنامه، مقدار این متغیر به‌صورت دقیق‌تر محاسبه شود و مبنای تجزیه و تحلیل قرار گیرد. در این پژوهش از معیار عدم‌ نقدشوندگی آمیهود برای سنجش نقدشوندگی استفاده شده است؛ بنابراین پیشنهاد می‌شود در پژوهش‌های آینده از سایر معیارهای نقدشوندگی استفاده شود. همچنین تأثیر آب و هوا را در سایر بازارها مانند بازار پول و بازار ارز و کالا نیز می‌توان بررسی کرد.

1 Psychology

2 Environmental factors

1 Saunders

2 Hirshleifer and Shumway

3 Loughran, T , Schultz

4 Chang et al

[7] Cao & Wei

[8] Keif & Rush

[9] Symeonidis et al

[10] Jing,Lu Robin K,Chou

[11] Dong, M ,Tremblay

[12] Fruthwirth, M ,Sogner

1 Qadan and Klinger

2 Seasonal affective disorder

اختلالات خلقی فصلی حالت خاصی از افسردگی پنهان است که در ماه‌های پاییز و زمستان رخ می‌دهد که تابش خورشید در طول روز کوتاه‌تر است

3 Rosenthal

1 Weather Underground Corporation http://www wunderground com

2 گفتنی است داده‌های OR مندرج در وب‌سایت را لیزا کرامر-استاد دانشگاه تورنتو-محاسبه کرده است که نشان‌دهندۀ میزان ابتلای افراد به اختلالات خلقی فصلی است از آنجایی که ایران در نیمکرۀ شمالی قرار دارد و عرض جغرافیایی آن مشابه کشور کانادا است؛ از داده‌های مربوط به اختلالات فصلی محاسبه‌شده، برای ایران نیز می‌توان استفاده کرد

مراجع

Amihud, Y.) 2002(. Illiquidity and stock returns: Cross-section and time-series effects. Journal of FINANCE MARKET. 5, 31–56.

[2] Badri, A., Abdolbaghi, A. (2015). Behavioral Preferences of Investors in Reaction to the Fundamental Variables Based on Sochastic Dominance. Journal of Asset Managing & Financing. 3 (1) :23-40.

[3] Cao, M., Wei, J., (2005). Stock market returns: A note on temperature anomaly. Journal of Bank Finance 29, 1559–1573.

[4] Chang, T., Nieh, C., Yang, M., Yang, T., (2006). Are stock market returns related to the weather effects? empirical evidence from Taiwan. Phys. A Stat. Mech. Appl. 364,343–354.

[5] Chang, S., Chen, S., Chou, R., Lin, Y., (2008). Weather and intraday patterns in stock returns and trading activity. Journal of. BANK FINANCE. 32, 1754–1766.

[6] Cohen ,H., A., (2011).Climate,weather, and political behavior.PhD DISS.,University of Iowa. http://ir.uiowa.edu/etd/1214.

[7]‌‌‌ Daniel,‌K.,Hirshleifer, D., Subrahmanyam, A., (1998). Investor psychology and security market under-and overreactions. Journal of Finance 1839–1885.

[8] Dong, M., Tremblay, Andreanne., (2015). Does the weahter influence global returns. Journal of Australasian Finanace and Banking Conferece.

[9] Fruthwirth, M., Sogner, L. (2015). Weather and SAD related mood effects on the financial market. Journal of The Quartely Review of Economics and Finance 57. 11-13.

[10] Hirshleifer, D., (2001). Investor psychology and asset pricing. Journal of Finance 1533–1597.

[11] Hirshleifer, D., Shumway, T., (2003). Good day sunshine: Stock returns and the weather. Journal of Finance 1009–1032.

[12] Jamalianpour, M., Mahdavi, Gh (2013). Effects of Weather and Seasonal Variables on the Tehran Stock Market Liquidity. Journal of Financial Accounting Research. Volume 5, Number 3, far 2013, 5(3): 73-88

[13] Jing, Lu., Robin K, Chou., (2012). Does the weather have impacts on returns and trading activities in order-driven stock markets? Journal of Empirical Finance.79-93.

[14] Kamstra, M.J., Kramer, L.A., Levi, M.D., (2007). Opposing seasonalities in treasury versus equity returns. Working Paper.

[15] Kasper, S., (1991). Jahreazier und Befindlichekeit in der allgemeinbevokerung. Eine mehrebenenunterssuchung zur epidemiologie, biologie und therapeutischen beeinffussbarkeit saisonaler befindliclkeitssclwankungen. Monographien aus dem gesamtgebier Der Psychiatrie, Bd, 66. Springer.

[16] Kaviani, H., Ebrahimkhani, N. Mood swings in different weathers and during seasonal changes in normal population. IJPCP. (2005). 11 (2):194-203.

[17] Keef, S., Roush, M., (2002). The weather and stock returns in New Zealand. Q. J. Bus. Econ. 41, 61–80.

[18] Kramer, Lisa., http://homes.chass.utoronto.ca.

]19[ Loughran, T., Schultz, P., (2004). Weather, stock returns, and the impact of localized trading behavior. Journal of Finance. Quant. Anal. 343–364.

[20] Michael M, Pompian. (2009). Behavioral Finance & wealth Management. Translated by Ahmad Badri.Tehran, Keihan.

[21] Qadan, Mahmoud., Klinger, Doron., (2016).The short trading day anomaly. Journal of Empirical Fianace.Volume 38:62-80.

]22[ Rosenthal, N., (1998). Winter Blues: Seasonal affective disorder: What it is and how to overcome it. The guilford press.

[23] Saunders, E., (1993). Stock prices and Wall Street weather. Am. Econ. Rev. 1337–1345.

[24] Stathopoulos, T., (2009).Wind and comfort. Proceedings of European–African Conference onWind Engineering (EACWE 5). International Association forWind. Engineering, Florence Italy (July).

[25] Symeonidis, L., Daskalakis, G., Markellos, R.N., (2010). Does the weather affect stock market volatility? Journal of Finance Research Letters 7, 214–223.

[26] Vakilifard, H., Foroughnejad, H., Khoshnood, M. (2013). Evaluation Investor's Behavior in Tehran Stock Exchange with Analytic Network process (ANP). Journal of Asset Managing & Financing. 1 (2): 19-34.

آمار

تعداد مشاهده مقاله: 4,116

تعداد دریافت فایل اصل مقاله: 883

سامانه مدیریت نشریات علمی. طراحی و پیاده سازی از سیناوب

پیوندهای مفید

اخبار و اعلانات

آمار

رابطۀ آب و هوا با بازده و فعالیت‌های معاملاتی: شواهدی از بورس اوراق بهادار تهران