چکیده:
پژوهش حاضر وجود حافظه بلندمدت را در بورس اوراق بهادار تهران با کاربرد مدلهای GPH، GSP، ARFIMA و FIGARCH بررسی میکند. دادههای موردبررسی، حاوی بازده روزانه هستند و آزمونهای حافظه بلندمدت، برای بازده و نیز برای نوسان سری TEPIX انجامشدهاست. نتایج مدلهای GPH، GSP و ARFIMA، وجود حافظه بلندمدت را در بازده سری نشان میدهند. همچنین نتایج اشاره براین دارند که پویاییهای حافظه بلندمدت در بازده و نوسان میتواند توسط کاربرد مدل ARFIMA-FIGARCH، مدلسازی شود. نتایج این مدل شواهد قوی حافظه بلندمدت را هم در میانگین شرطی و هم در واریانس شرطی نشان میدهد. بهعلاوه، فرض غیرنرمال برای دربرگرفتن دم پهن و نامتقارن باقیماندههای تخمین زدهشده، مناسب است. یافتهها نشان میدهند که مدل براساس فرض نرمال گاوسی، ممکن است برای مدلسازی خصوصیت حافظه بلندمدت مناسب نباشد. در نهایت بهنظر میرسد که بازار سرمایه تهران نمیتواند بهعنوان بازار کارا از لحاظ سرعت انتقال دادهها بررسی شود. ازاینرو، امکان کسب سودهای غیرعادی باثبات، از طریق پیشبینی قیمت سهام وجود دارد.
This paper investigates the presence of long memory in the Tehran stock market، using the ARFIMA، GPH، GSP and FIGARCH models. The data set consists of daily returns، and long memory tests are carried out both for the returns and volatilities of TEPIX series. Results of the GPH، GSP and ARFIMA models indicate the existence of long memory in return series. Also، suggest that long memory dynamics in the returns and volatility might be modeled by using the ARFIMA–FIGARCH model. Furthermore، results of this model shoes the strong evidence of long memory، both in conditional mean and conditional variance. In addition، the assumption of non-normality is appropriate for capturing the asymmetry and tail fatness of estimated residuals. These findings suggest that the model based on the Gaussian normality assumption may be inappropriate for modeling the long memory property. Finally، it seems that the Tehran Stock Exchange (TSE) cannot be considered an efficient market in terms of the speed of information transmission. Hence، speculative earnings could be gained via predicting stock prices.
خلاصه ماشینی:
"در حوزة مدلسازی حافظه بلندمدت در واریانس شرطی و شبیه سـازی رفتـار همبسـتگی نگاشت نوسانات مشاهدهشده باید به نقطـۀ آغـازین ایـن فراینـد کـه توسـط بـایلی، بلرسـلو و 1- Long Memory 2- Hyperbolically 3- Autocorrelation 4- Persistent 5- Exponential Rate 6- Autoregressive Fractional Integrated Moving Average 7- Autoregressive Moving Average میکلس ١ (١٩٩٦) (به اختصار BBM) پیشنهاد شد، بازگشت که مدل (GARCH)p,q انباشته جزئی ٢ را معرفی کردند.
با توجه به مطالب گفته شده، هدف مطالعـه حاضـر، ابتـدا شـناخت حافظـه بلندمـدت در بـازده و نوسـان خواهـد بـود و سـپس بررسـی حافظـه بلندمـدت دوگانـه بـا اسـتفاده از مـدل ARFIMA-FIGARCH در بازده شاخص کل قیمت سـهام تهـران اسـت کـه پیـرو آن، بـه بررسی خصوصیات توزیع بازده سهام با کاربرد توزیع های نرمال، Student-t و توزیع چوله Student-tتحت برنامه Oxmetic.
1- Box–Pierce 2- Lagrange multiplier 3- Augmented Dickey–Fuller 4- Phillips &Perron 5- Kwiatkowski, Philips, Schmidt, Shin 6- Baillie & et al 7- Mackinnon نتایج تخمین حافظه بلندمدت در بازده انتخاب تعداد عرض فرکانس مرتبه پایین (پهنای باند) در تخمین پارامتر حافظـه بلندمـدت بـا روشهای GPH و GSP از مباحث مهم در این نوع تخمین میباشند؛ بـه طـوریکـه مرتبـه بـالای عرض دوره نگاشت باعث اریب در تخمین .
بنابراین ، ذکر این نکته ضـروری به نظر میرسـد کـه در انجـام روشهـای تحلیـل ریسـک ماننـد روش «ارزش در معـرض ریسک » که نیازمند سری واریانس است ، اگر سری واریانس ، تحت بررسی مدل حافظـه بلندمدت (مانند FIGARCH) قرار گیرد، نسبت به اینکه از مدلهای حافظه کوتاهمدت در تحلیل سریها استفاده شود، عملکرد کاراتری پیدا خواهد کرد."