چکیده:
چکیده برآورد ریسک بدون در نظر گرفتن عوامل مرتبط و فقط با تمرکز بر روی چند سری معادلات، پیشبینیهای غیرمعمولی را ایجاد میکند. در این مطالعه از اطلاعات یک صفحه بزرگسریهای زمانی و روشی جدید برای برآورد ریسک استفاده نمودیم. این برآورد با استفاده از بازده دادههای روزانه سری زمانی 25 شاخص مختلف بورس اوراق بهادار تهران در بازه دهساله از 1387 الی 1397 بر اساس یک مدل عاملی پویای تعمیمیافته (GDFM) انجام شد. ابتدا با استفاده از مدل عاملی پویای توسعهیافته توسط فورنی و همکاران نسبت به تعیین تعداد عوامل استاتیک و دینامیک مدل عاملی اقدام نموده و در ادامه نوسانات جزء مشترک سریهای تحت مطالعه را با کمک نرمافزار MATLAB فیلتر نموده و بهعنوان ریسک بورس اوراق بهادار تهران برآورد نمودیم. در ادامه از روش حداقل مربعات تعمیمیافته (GLS)، تأثیر ریسکهای فیلتر شده را بر روی بازده شاخص کل بورس موردبررسی قراردادیم. نتایج نشان داد اگر چه ریسکهای برآورد شده از طریق فیلترینگ یکطرفه و فیلترینگ دوطرفه بهصورت معنیداری تغییرات بازده شاخص کل بورس موردمطالعه را توضیح میدهند، اما ریسک برآورد شده از طریق فیلتر دوطرفه با استفاده از مدل عاملی پویای تعمیمیافته، تغییرات بازده را بسیار بهتر از فیلتر یکطرفه با استفاده از همان مدل توضیح میدهد.
خلاصه ماشینی:
اين برآورد با استفاده از بازده داده هاي روزانه سري زماني ٢٥ شاخص مختلف بورس اوراق بهادار تهران در بازه ده ساله از ١٣٨٧ الي ١٣٩٧ بر اساس يک مدل عاملي پوياي تعميم يافته (GDFM) انجام شد.
فرضيه هاي پژوهش فرضيه اول : ريسک برآورد شده از طريق فيلترينگ يک طرفه با رويکرد استفاده از مدل عاملي تعميم يافته با بازده شاخص کل بورس اوراق بهادار تهران ارتباط معنيداري دارد.
براي اين مقايسه از مقدار توضيح دهندگي هر يک از ريسک هاي برآورد شده از بازده شاخص کل بورس اوراق بهادار تهران ، از مدل حداقل مربعات ٣١ تعميم يافته (GLS) استفاده گرديد.
در ادامه فيلترينگ يک طرفه و دوطرفه ريسک با استفاده از مدل هاي عاملي پوياي تعميم يافته (GDFM) در بورس اوراق بهادار تهران برآورد مي کنيم .
نتايج جدول ٧ نشان ميدهد ريسک برآورد شده از طريق فيلترينگ يک طرفه با رويکرد استفاده از مدل عاملي تعميم يافته با بازده ارتباط معنيداري دارد به طوريکه اين ريسک به مقدار ٠,٢٤٤١٥٣ ميتواند بازده سري زماني شاخص کل بورس اوراق بهادار تهران را توضيح دهد.
2 Forni et al 3 Nieuwenhuyze 4 Forni & Hallin & Lippi & Zaffaroni 5 Generalised Dynamic Factor Model (GDFM) 6 Sargent & Sims 7 Chuliá & Guillén 8 Barigozzi & Hallin 9 Vine - Copula 10 Jin & DeSimone 11 Hallin & Liška 12 Bai and Ng 13 Stock and Watson 1414 Forni and Reichlin (1998) and Forni et al 15 Bai and Ng 16 Augmented Dickey-Fuller test statistic 17 Generalized least squares 18 Augmented Dickey-Fuller test statistic ٤٣