چکیده:
در طول سال های اخیر مدل های سری زمانی غیر خطی یکی از ابزارهای جدید در توصیف و پیش-بینی بازدهی سهام بوده است. شواهد بسیاری رابطه عکس بین بازدهی آینده سهام و حجم معاملات را تایید کرده است. وجود این رابطه نشان می دهد، حجم معاملات میتواند به عنوان متغیر آستانه ای مناسب در مدل های خودتوضیح آستانه ای (TAR) و خودتوضیح انتقال هموار لجستیک (LSTAR) استفاده شود. در این پژوهش توانایی مدل های خطی ARMA و مدل های TAR و LSTAR مقایسه شده است. علاوه بر این از متغیر حجم معاملات به عنوان متغیر آستانه ای یا انتقال در مدل های TAR و LSTAR استفاده شده است. بدین منظور نمونه ای از 26 شرکت در طول سال-های 1380 تا 1388 از شرکت های بورس اوراق بهادار تهران مورد مطالعه قرار گرفتند. از دادههای 7 سال به عنوان داده های آموزشی و از داده های 2 سال به عنوان داده های آزمایشی استفاده شد. با استفاده از آزمون دایبلد ماریانو ، عملکرد مدل ها مورد مقایسه قرارگرفت. نتایج نشان دادند، مدل های غیرخطی از قدرت پیشبینی بالاتری نسبت به مدل ARMA برخوردارند. همچنین بهکارگیری حجم معاملات در مدل های غیرخطی عملکرد این مدل ها را بهبود نبخشید.
Non-linear time series models have become fashionable tools to describe and forecast stock market returns in recent years. A significant amount of evidence supports a negative relationship between volume and future returns. This suggests that volume could act as a suitable threshold variable in LSTAR and TAR models. In this research، we compared the forecasting ability of LSATR and TAR models with ARMA. Moreover، we used lagged volume as the threshold in LSTAR and TAR. Daily stock returns and volume of 26 companies were used over the sample period 21/03/2001 to 20/03/2010 years. In order to conduct a forecasting exercise we used the 7 years data as the in sample estimation period and the reminder of the sample as the out of sample period. We used Diebold- Mariano test to compare forecasting power of the models. Results show that Non-linear models have higher forecasting power than ARMA. Also using volume did not improve the forecasting performance of LSTAR and TAR.
خلاصه ماشینی:
وجود این رابطه نشان می دهد، حجم معاملات می تواند به عنوان متغیـر آستانه ای مناسب در مدل های خودتوضیح آستانه ای ١ (TAR) و خودتوضیح انتقال هموار لجسـتیک 2 (LSTAR) استفاده شود.
پژوهش های بسیاری نشان داده اند که بازده سهام به وسیله ی متغیـرهـای کلان اقتصادی و مالی مانند بازده نقدی ، بازده جریانات نقدی و نسـبت ارزش دفتـری بـه ارزش بازار و اندازه شرکت قابل پیش بینی است .
از طرفی از آنجاکه مطالعات اخیر نشان داده اند که رفتار مومنتوم سهام با حجم معاملات کم و رفتار بازگشتی با حجـم معـاملات بـالا سـازگار اسـت ، از حجـم معـاملات به عنوان متغیر انتقال در مدل های غیرخطی استفاده شده است .
Fundamental risk آستانه ای و متغیر انتقال در پیش بینی مدل های غیر خطی استفاده شده و عملکرد این مدل هـا بـا هم مورد مقایسه قرار گرفته است .
نتایج این پژوهش نشان دادند، شبکه های عصبی عملکـرد بهتـری نسـبت بـه مدل خطی ARIMA برای پیش بینی شاخص قیمت دارند.
بررسی ها نشان دادند، در ایران تاکنون از مدل های TAR و LSTAR به کار رفته در این پژوهش ، جهت پیش بینی بازده سهام استفاده نشده است .
تابع انتقال مدل LSTAR شرکت نفت پارس حالت دوم (LSTAR)vol: از وقفه نسبت گردش حجم معاملات سهام به عنوان متغیر انتقال استفاده شده است .
Returns to buying winners and selling losers: implications for stock market efficiency, Journal of Finance; 48: 65-91.
On the forecastability of Asean- 5 stock market returns using Time series models, working paper.