خلاصة:
این پژوهش تاثیر حجم معاملات بر شاخص کل بورس اوراق بهادار تهران رابا تکیه بر دوره های رکود و رونق و با استفاده از مدل غیرخطی انتقال رژیم مارکف، مورد بررسی قرار می دهد. در این راستا، از داده های ماهانه شاخص کل و حجم معاملات بورس تهران در دوره زمانی ابتدای سال 1381 تا انتهای ماه نهم سال 1391 استفاده می گردد. نتایج پژوهش نشان می دهد که رابطه غیرخطی معنادار بین حجم معاملات و شاخص کل بورس تهران وجود دارد. حجم معاملات در هر دو رژیم رکود و رونق اثر معنادار مثبت بر شاخص کل بورس اوراق بهادار تهران دارد، ولی این اثر در رژیم رونق بزرگتر است. بر پایه نتایج در هر دو وضعیت رکود و رونق بازار سهام، انتظار می رود که افزایش حجم معاملات سبب رشد شاخص کل بورس اوراق بهادار تهران گردد.از طرفی مقایسه نتایج با شواهد تاریخی نشان می دهد که مدل انتقال رژیم مارکف سیکل های رکود و رونق بورس تهران را به درستی مدل سازی می نماید. نتایج آزمون های اعتبارسنجی نیز بر کفایت و عملکرد مناسب مدل انتقال رژیم مارکف تاکید دارد. همچنین این مدل دارای دقت بالاتری در برازش داخل نمونه و پیش بینی خارج از نمونه شاخص کل بورس اوراق بهادار تهران نسبت به مدلهایARIMA وVAR بر مبنای معیار MAE می باشد.
In this paper، the effect of trade volume on TEPIX index is investigated based on bull and bear cycles of Tehran stock Exchange (TSE) using nonlinear Markov-Switching model. In this regards، monthly data of TEPIX and trade volume of TSE is used for the period of the first month of 1381 to the ninth month of 1391. The results show that، there is significant nonlinear relationship between trade volume and TEPIX index. Trade volume has positive and significant impacts on TEPIX in both bull and bear regimes but these effects is higher in bull regime. Based on the results، it is expected that increase in trade volume leads to growth in TEPIX index in both bull and bear regimes. However، comparing results with historical evidences shows that Markov-switching model properly fits the bull and bear cycles of TSE. On the other hand، the results of Robustness tests emphasis adequacy and good performance of Markov-Switching model. Based on MAE criterion، the Markov-Switching model has more accurate performance for in-sample fitting and out-of-sample forecasting than ARIMA and VAR models.