بررسی وجود حافظه بلندمدت در بورس اوراق بهادار تهران و ارزیابی مدل‌هایی که حافظه بلندمدت را در نظر می‌گیرند

  طی دهه گذشته، فرآیندهای با حافظه بلند مدت، بخش مهمی از تجزیه و تحلیل سری­های زمانی را به خود اختصاص داده­اند. وجود حافظه بلند مدت در بازده دارایی­ها کاربردهای مهمی در بررسی کارایی بازار، قیمت­گذاری اوراق مشتقه و انتخاب سبد دارایی دارد. در این تحقیق، ابتدا وجود حافظه بلند مدت در سری ­زمانی بازده و نوسانها ی شاخص کل بورس اوراق بهادار تهران بررسی شده است. نتایج آزمون­های آماری، وجود حافظه بلندمدت را در بازده و نوسانها ی شاخص کل بورس اوراق بهادار تهران تا سطح اطمینان بالایی تایید می­کنند. در ادامه، دقت پیش­بینی مدل­هایی که ویژگی حافظه بلندمدت را در نظر نمی­گیرند، ARMA و GARCH ، با مدل­های مشابهی که این ویژگی را درنظر می­گیرند، ARFIMA و FIGARCH ، به روش پنجره غلتان در بازه­های زمانی مختلف مقایسه شده است. نتایج این مطالعه نشان می­دهد مدل نسبتا ساده ARMA ، در مقایسه با سایر مدل­ها، بهتر می­تواند بازده یک روز بعد شاخص را پیش­بینی کند؛ اما در پیش­بینی بازده شاخص برای دوره­های هفتگی، ماهانه، فصلی و شش­ماهه، مدل FIGARCH همواره پیش­بینی­های دقیقتری ارایه کرده است.