چکیده:
این مقاله به بررسی اثرات تقویمی بازده بورس اوراق بهادار تهران پرداخته است. در ابتدا با استفاده از یک مدل کلی که طیف وسیعی از اثرات تقویمی شناخته شده درسایر بورس های اوراق بهادار جهان را شامل می گردد به شناسایی اثرات تقویمی موجود در مقادیر بازده بورس اوراق بهادار تهران پرداخته شده است. شواهد بیانگر اثر ماه مهر و اسفند قوی مقادیر بازده می باشد. بعلاوه نتایج نشان می دهند که بازده روزانه بورس با گذشت زمان کاهش یافته است. بعد از شناسایی اثرات تقویمی و حذف این اثرات از بازده بورس و قبل از برازش مدل های ARCH و GARCH جهت شبیه سازی نوسان پدیزی بازده، با استفاده از آماره BDS به بررسی نشانه های وجود ساختار غیر خطی درمقادیر پسماند حاصل از رگرسیون پرداخته شده است. نتایج حاصل از بکارگیری این تست موید این مطلب است که باوجود شناسایی و حذف اثرات تقویمی از مقادیر بازده روزانه، بازهم شواهدی مبنی بر وابستگی بین آنها یافت می شود. برازش مدل های ARCH و GARCH حاکی از موفق بودن این مدل ها در شبیه سازی وابستگی مقادیر پسماند می باشد. در انتها مقاله به بررسی اهمیت منظور کردن اثرات تقویمی در پیش بینی بازده بورس پرداخته است. شواهد نشان می دهد که منظور کردن اثرات تقویمی باعث افزایش قدرت پیش بینی می گردد هر چند مدل رگرسیون معمولی که اثرات تقویمی در آن منظور شده باشد نسبت به مدل های GARCH (1,1) عملکرد بهتری را دارد.
This paper examines the calendar anomalies in daily return of the Tehran stock market. ARCH and GARCH models are employed to capture the wide range of different calendar anomalies exist in the literature.
This study finds the evidence of strong Esfand and Mehr effects in the stock return. In addition، the results show that the stock market return has decreased with the lapses of time. After identifying and removing the calendar effects from daily return، BDS statistic is used to test the presence of any remaining non-linearity in the residuals before employing the GARCH models. The BDS test shows that there is a high probability of the dependency between residuals in spite of removing calendar anomalies. The results confirm that both the ARCH and GARCH models have considerable success in modeling dependencies. Finally، the importance of calendar effects in return forecasting is tested. The conclusion is that the inclusion of calendar effects improves the forecast accuracy. However، simple regression which includes calendar effects has better performance than the GARCH (1، 1) models.