بررسی حافظه بلندمدت در نوسان‌های بازدهی شاخص بورس اوراق بهادار تهران

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشکده اقتصاد دانشگاه تهران

2 دانشگاه 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

موضوعات

عنوان مقاله [English]

Evaluation of Long Memory in the Volatility of Tehran Stock Exchange

نویسندگان [English]

  • Akbar Komijani 1
  • Esmaeil Naderi 1
  • Nadiya Gandali Alikhani 2
1 Faculty of Economics, University of Tehran
2 Department of Economics, Islamic Azad University Khuzestan
چکیده [English]

According to the growing importance of financial markets, existence of any volatility in the market has dramatic effects on the economy. Therefore, in a dynamic financial markets including stock market, forecasting has improved to one of the most important issues in financial sciences. In this regard, this paper evaluated existence of long memory in returns and volatility of the market price index by using daily prices and returns Tehran Stock Exchange data from 2009/04/04 to 2013/10/22. The results of this study confirm the existence of long memory in both the mean and variance equations. After confirming the existence of long memory in this index, we used GARCH-type models (including non-fractal and fractal models) to track its volatility. Conclusively, comparing the information criteria (Akaike and Schwartz) of various conditional variance heteroskedasticity models, we found the performance of the ARFIMA (1,2)-FIGARCH (BBM) model is desirable.

کلیدواژه‌ها [English]

  • Long Memory
  • Volatility
  • Stock market
  • ARFIMA
  • GARCH
  • 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.
 
 
 
 
 
 

فایل ها

هم رسانی

ارجاع به این مقاله

آمار