بررسی نظریه آشوب در قیمت سکه تمام بهار آزادی در ایران

اقتصاد پولی مالی

مقاله 4، دوره 22، شماره 10، دی 1394   

نوع مقاله: پژوهشی

شناسه دیجیتال (DOI): 10.22067/pm.v22i10.21798

نویسندگان

سیده زهرا شاکری^{* 1}؛ مسعود همایونیفر¹؛ محمدعلی فلاحی¹؛ سعید شعرباف تبریزی²

¹دانشگاه فردوسی مشهد

²دانشگاه امام رضا مشهد

چکیده

در تحلیل سری های زمانی اقتصادی، اغلب مشاهدات آماری، ظاهری تصادفی دارند؛ درحالی‌که بررسی دقیق تر این داده ها ممکن است سیستم معین و پیچیده ای را نشان دهد که دارای تابع جریان معین با یک رابطه ریاضی مشخص باشد. در مقاله حاضر، سری زمانی روزانه قیمت سکه تمام بهار آزادی در ایران طی دوره زمانی 10/8/1385 تا 9/11/1392 در نظر گرفته شده است. هدف، بررسی نظریه آشوب در قیمت سکه تمام بهار آزادی و قابلیت پیش بینی آن است. برای وجود روند معین یا تصادفی بودن سری زمانی از آزمون BDS، در سه مرحله استفاده شده است. نتایج تحقیق نشان می دهد که سری زمانی قیمت سکه، قابل پیش بینی است و فرض عدم وجود توابع غیرخطی در پسماند الگو های ARIMA و GARCH با استفاده از آزمون مذکور رد می شود. همچنین برای بررسی روند آشوبی در این سری زمانی، از آزمون حداکثر نمای لیاپانوف استفاده شده است که نتیجه این آزمون نشان می دهد داده ها دارای روند آشوبی می باشند؛ ازاین رو امکان وجود توابع غیرخطی در سری زمانی قیمت سکه پذیرفته شده و قابلیت پیش بینی قیمت آن تأیید می شود.

کلیدواژه‌ها

نظریه آشوب؛ پیش بینی پذیری؛ آزمونBDS؛ آزمون حداکثر نمای لیاپانوف

مراجع

[1] Abbasi Nejad, H., Motavasseli, M. & Mohammadi, S. H. (2004). Economic growth as a nonlinear and discontinuous process. Iranian economic review. 9(10), 17-38.

[2] Adrien, B. (2008). Les ventes de produits innovants à la mode sont-elles chaotiques? Le cas des ventes de game boy au Japon [Are innovative and fashion goods sales chaotic? The case of game boy sales in Japan]. Series MPRA Paper with number 12964.

[3] Alligood, K. T. Sauer, T.D. & Yorke, J.A. (1996). CHAOS: An introduction to dynamical systems. Springer.

[4] Asseery, A. A. (2005). Evidence of non-linearity’s in the bilateral real exchange rates of the british pound. International Economic Journal. 19(1), 63–90.

[5] Bask, M. (1997). Deterministic chaos in exchange rates? Department of economics, Umea university studies, 453.

[6] Belaire J. & Contreras D. (2002). How to compute the BDS test: a software comparison. Journal of Applied Econometrics, 17(6), 691 – 699.

[7] Belaire, J. & Contreras D. (2002). The BDS test: A practitioner’s guide, Unpublished, Univercity of Valencia, and Department of Analysis Economice, (Working paper).

[8] Bonache, A. & Moris, K. (2011). Premieres preuves empiriques de chaos dans les ventes de biens a la mode - First empirical evidence of chaos in the sales of fashion goods. Cahier du FARGO 1110602.

[9] Brock, W. A., Scheinkma, J. A., Dechart W. D. & Lebaron, B. (1996). A test for indepence based on the correlation dimension. Econometric Reviews, 15, 197-235.

[10] Cromwell, J.B., Labys, W., C. & Terraza, M. (1994). Univariate tests for time series models, series: Application in the Social Sciences, a SAGE Univercity paper, London.

[11] Diks, C. (2003). Detecting Serial Dependence in tail events: A test Dual to the BDS Test, journal Economics Letters. 79(3), 319-324.

[12] Enders, W. (2004). Applied Econometric Time Series, WILEY, Second Edition.

[13] Fernandes, M. & Preumont, P. Y. (2002). Atahe finite-sample size of the BDS test for GARCH standaradized residuals, unpublished manuscript, Department of Economics, Queen Mary, University of London, (Working paper).

[14] Frank, M. & Stengos, T. (1988). Chaotic Dynamics in Economic Time-Series, Journal of Economic Survey, 2(2), 103-133.

[15] Gujarati, D. (2008). The basics of econometrics, Translation: H., Abrishami, Tehran University, Fifth Edition. (In Persian).

[16] Henon, B. (1976). A two -dimensional mapping with a strange attractor. Journal of Commun. Math. Phys, 50(1), 69-77.

[17] Hsieh, D. A. (1991). Chaos and nonlinear dynamics: applications to financial markets. Journal of finanace, 46(5), 1839-1877.

[18] Isham, V. (1993). Statistical aspects of chaos, a review in: Networks and chaos statistical and probabilistic aspects, (Working paper).

[19] Kanzler, L. (1999). Very Fast and correctly sized estimation of the BDS statistic. SSRN Electronic Journal, Christ Church and Department of Economics Unvercity of Oxford.

[20] Kapitanyak, T. (2005). Chaos for engineers, theory, application and control, translation: Jamshid Behin, Kermanshah, Razi University; First Edition. (In Persian).

[21] Khilji, N.M. (1994). Nonlinear dynamics and chaos: Application to financial markets in Pakistan. The Pakistan Development Review. 33(4), 1417-1429.

[22] Kim H. S., Kang D. S. & Kim J. H. (2003). The BDS statistic and residual test, Stochast Environ Res Risk Assess. 17, 104-115.

[23] Kocenda, E. (2003). An Alternative to the BDS test: Integration across The Correlation Integral. Economic Reviews, 20(3), 337-351.

[24] Kunchu, P. K. (1997). Using BDS statistics to detect nonlinearity in time series. Computer and Information Science , Miscellaneous Papers, Computational Intelligence, 2(2), 1-2.

[25] Moshiri, S. (2001). Review of the chaos theory and its applications in economics. Economic Research Journal, 12, 29-71. (In Persian).

[26] Moshiri, S. & Forutan, F. (2004). Chaos test and predict future crude oil. Economic researches Journal, 12, 90-67 . (In Persian).

[27] Ramasamy, R. & Mohd Helmi, M. H. (2011). Chaotic behavior of financial time series- an empirical assessment. International Journal of Business and social science. 2(3), 77-83.

[28] Rosenstein M. T., Collins J. J. & Deluca C. J. (1993). A practical method for calculating largest Lyapunov exponents from small data sets. Physica, 65(117).

[29] Salami, A. B. (2001). Tehran Stock Exchange chaotic process efficiency test. Economic Research Journal, 5, 35-77. (In Persian).

[30] -Shumway R., H. & Stoffer D.S. (2010). Time series analysis and its application. Springer, Thired Edition.

[31] Small, M. & Tse, C. K. (2003). Determinism in fnancial time series. Studies in Nonlinear Dynamics and Econometrics, 7(3).

[32] Tsay, R., S. (2010). Financial time series. WILEY, Third Edition.

[33] Vosvrda. M. & Zikes, F. (2004). An application of The GARCH-t model on central european stock returns. Journal Prague Economic Papers, 1, 26-39.

[34] Wolf, A., Swift, J. B., Swinney, H. L. & Vastano, J. A. (1985). Determining Lyapunov exponent from a time series. Physical, 16, 285-317.