بررسی حافظه بلندمدت شاخص بورس اوراق بهادار تهران

اقتصاد پولی مالی

مقاله 6، دوره 25، شماره 15، اردیبهشت 1397، صفحه 21-48   

نوع مقاله: پژوهشی

شناسه دیجیتال (DOI): 10.22067/pm.v25i16.67538

نویسندگان

مهدی مرادی^{* 1}؛ مصطفی اسماعیل ‍‍بور²

¹فردوسی مشهد

²ازاد مشهد

چکیده

نتایج حاصل از پژوهش‌های مختلف در خصوص کارآیی برخی از بورس‌های اوراق بهادار نشان می‌دهند که این بازارها فاقد کارآیی، حتی در شکل ضعیف هستند؛ بنابراین ﺑﺎ در ﻧﻈﺮﮔﺮﻓﺘﻦ ناﮐﺎرآﯾﯽ این بازارها می‌توان ﻧﺘﯿﺠﻪ ﮔﺮﻓﺖ که ﺑﺎ اﻧﺠﺎم ﻣﻌﺎﻣﻼﺗﯽ ﺑﺮاﺳﺎس ﻣﺠﻤﻮﻋﻪای از اﻃﻼﻋﺎت، می‌توان ﺳﻮد اﻗﺘﺼﺎدی ﮐﺴﺐ نمود؛ به این معنا ﮐﻪ ﻋﺪم ﮐﺎرآیی نشانه این امر است ﮐﻪ می‌توان مدل‌هایی طراحی کرد تا سودهای غیرمتعارفی به دست آید. پژوهش‌های فراوانی به‌منظور بررسی حافظه بلندمدت و طراحی مدل‌های پیش‌بینی شاخص‌های آینده انجام گرفته است و در این پژوهش سعی گردیده تا از یک زاویه دیگر، یعنی از روش آرفیما و روش تحلیل دوره نگار (که یک روش تجزیه‌وتحلیل سری زمانی است) برای بررسی حافظه بلندمدت و همچنین طراحی مدل پیش‌بینی استفاده شود. هدف اصلی این پژوهش تجزیه‌وتحلیل سری زمانی شاخص‌های‏ کل و مالی بورس اوراق بهادار تهران است که قلمرو زمانی آن به‌صورت روزانه از 08/01/1383 لغایت 24/04/1394 است. بدین منظور از روش‏هایی از قبیل تبدیل باکس کاکس، دیکی فولر، با استفاده از نرم‌افزارهای SAS9.4 و R استفاده شده است. نتایج این پژوهش نشان می‌دهند که شاخص‌های بورس اوراق بهادار تهران دارای حافظه با دامنه بلندمدت است، همچنین روش تحلیل دوره نگار در مقایسه با روش آرفیما، روش مناسبی برای پیش‌بینی شاخص‌های بورس اوراق بهادار است و درنهایت می‌توان بیان کرد که دوره نهان (دوره قابل تکرار) در بین داده‏های شاخص بورس وجود دارد.

کلیدواژه‌ها

واژگان کلیدی: پیش بینی؛ شاخص کل؛ شاخص مالی؛ حافظه بلندمدت؛ مدل آرفیما؛ مدل تحلیل دوره نگار

مراجع

[1] Allagidede, P. (2011). “Return Behavior in Africa s Emerging Equity Markets”. The Quarterly Review of Economics and Finance, 51, 133-140.

[2] Alam, Z; Siddikee, N; Masukujjaman, M. (2013). “Forecasting Volatility of Stock Indices with ARCH Model”. Journal of Financial Research, 4. (2), 126-143.

[3] Araujo, de A; Ricardo, Ferreira, A.E. Tiago. (2009). “A Morphological-Rank-Linear evolutionary method for stock market prediction” Information Sciences, 237, 3-17.

[4] Asadi, Shahrokh& Hadavandi Esmaeil& Mehmanpazir Farhad&Nakhostin Mohammad Masoud. (2012). “Hybridization of evolutionary Levenberg–Marquardt neural networks and data pre-processing for stock market prediction” Knowledge-Based Systems, 35, 245-258.

[5] Barkoulas, J. T; & Baum, C. F. (1996). “Long Term Dependence in StockReturns”. Economics Letters. 53( 3). 253-259.

[6] Diebolt ,C and V. Guiraud. (2005) " A note on long memory time series" Quality and Quantity . 39(6):827-836.

[7] Erfani, Alireza. (1388). Prediction of total index, ARIFMA Tehran Stock Exchange with model. Economic researches, University of Tehran, period 86. (in Persian)

[8] Green, L; Myerson, J. (2003). “Discounting delayedband probabilistic rewards”, Journal of Economis Psychology, 24 (5), 619-635.

[9] Komijani, Akbar., Naderi, Esmaeel., Gandali Alijani, Nadia. (1394). Long-term memory survey on Tehran Stock Exchange index stock returns. Quarterly journal of treasury of the third year, 3, 67-82(in Persian).

[10] Majhi, Ritanjali; Panda, G; Sahoo, G. (2009) “Development and performance evaluation of FLANN based model for forecasting of stock markets” Expert Systems with Applications, 36( 3), 6800-6805.

[11] Man,K.S. (2003).“Longmemorytime series and short term forecasts”.International Journal of Forecasting, 19( 3), 477-491.

[12] Moradi, Mahdi, Sadooghi yazdi, Hadi, Abdollahian, Javad., (1394). New engineering approach to predict exchange index fluctuations. Journal of Business Accounting, Shiraz University, 7( 2), 117-148. (in Persian).

[13] Murari, K. (2013). “Volatility Modeling and Forecasting for Banking Stock Returns”. International Journal of Banking, Risk and Insurance, 1( 2) , 11-22.

[14] Poon, S; C. Granger. (2003). "Forecasting Volatility in Financial Markets: A Review",Journal of Economic Literature. 41( 2), 478-539.

[15] Sheraee, Saeed., Sanaee, Alam Mohsen. (1389). Investigating the long-term sustainability of Tehtan Stack Exchange and evaluating long-term memory models. Journal of Financial Accounting Research, second year, 4( 6),173-186(in Persian).

[16] Wright ,J. (1996), "Testing for structural break at unknown date with long –memory disturbances" Journal of time series analysis, 19(3),369-376.