بررسی حافظه بلندمدت دوگانه با تأکید بر توزیع چوله و دم پهن پسماندها: شواهدی از بورس اوراق بهادار تهران

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.