وجودحافظه بلندمدت دربازده شاخص بورس اوراق بهادارتهران بااستفاده ازمدل ترکیبی arfima-figarch

پایان نامه
چکیده

دردهه های اخیر، نقش بازارسرمایه وگسترش حجم فعالیت در بازار بورس ارتباط نسبتا بالایی با روند رشد اقتصادی کشورها داشته است. در طی این سال ها فرآیندهای دارای حافظ? بلند مدت به بخش مهمی از تجزیه و تحلیل سری زمانی تبدیل شده است. وجود و یا عدم وجود حافظ? بلند مدت کمک شایانی در بررسی مدل-های نوین مالی در دنیای تئوری های نوین مالی نموده است. پیش بینی نیز همواره از موارد جذاب در مدیریت مالی و بررسی سری های زمانی بوده است و دستاورد های حافظ? بلند مدت میتواند در این زمینه کمک شایانی نماید. از طرفی وجود حافظ? بلند مدت در بازار میتواند نشان دهند? کارایی در سطح ضعیف بازار باشد که خود بر انتخاب روش های پیش بینی اثر گذار است. دراین تحقیق وجود حافظه بلندمدت درسری زمانی بازده ونوسانات بازده شاخص کل بورس اوراق بهادار تهران بررسی شده است. نتایج آزمون r/s تعدیل شده بیانگر تائید وجود حافظه بلندمدت در گشتاورهای اول ودوم بازده تا سطح اطمینان 99?است؛ نتایج آزمون gph نیز وجود حافظه بلندمدت رابرای گشتاوراول و دوم بازده تایید می کند. همچنین حافظ? بلند مدت با مدل های arfima و figarch و arfima-figarch تخمین زده شده است. برای مقایسه به بررسی وجود حافظ? بلندمدت در فرابورس ایران پرداختیم که وجود آن به دلیل کمی دادهها رد شد. در ادامه با تقلیل تعداد داده ها وجود و یا عدم وجود حافظ? بلند مدت، تخمین زده شده است که نشان داد که با کاهش 20% داده ها حافظ? بلند مدت همچنان برقرار است وپس از آن وجود حافظ? بلند مدت با شبهه همراه است.

منابع مشابه

پیش‎بینی شاخص کل بورس اوراق بهادار تهران با مدل ARFIMA

در این مقاله با استفاده از داده‎های روزانة شاخص کل بورس اوراق بهادار تهران در دورة زمانی 6/1/1382 تا 14/4/1386، به بررسی ویژگی حافظة بلند این شاخص پرداخته و مدل ARFIMA را بر آن برازش می‎دهیم. هم‎چنین عملکرد پیش‎بینی مدل ARFIMA را با مدل ARIMA مقایسه می‎کنیم. نتایج نشان می‎دهند که اولاٌ این سری زمانی از نوع حافظة بلند است، بنابراین می‎توان با تفاضل‎گیری کسری آن را مانا کرد. پارامتر تفاضل‎گیری ب...

متن کامل

پیش‎بینی شاخص کل بورس اوراق بهادار تهران با مدل arfima

در این مقاله با استفاده از داده‎های روزانة شاخص کل بورس اوراق بهادار تهران در دورة زمانی 6/1/1382 تا 14/4/1386، به بررسی ویژگی حافظة بلند این شاخص پرداخته و مدل arfima را بر آن برازش می‎دهیم. هم‎چنین عملکرد پیش‎بینی مدل arfima را با مدل arima مقایسه می‎کنیم. نتایج نشان می‎دهند که اولاٌ این سری زمانی از نوع حافظة بلند است، بنابراین می‎توان با تفاضل‎گیری کسری آن را مانا کرد. پارامتر تفاضل‎گیری به‎...

متن کامل

تحلیل تکنیکی در بورس اوراق بهادارتهران

رو ش های مختلف تحلیل تکنیکی که در بازارهای دنیا مورد استفاده قرار می گیرد در ایران نیز تا اندازه ای قابل استفاده است. اما محدودیت هایی مانند کم معامله بودن سهام برخی از شرکت ها،وقفه های چهار روزه در دریافت برگه سهام ووجوه حاصل از فروش سهام، کم بودن حجم معاملات کل بورس و دست کاری مکرر سازو کار عرضه و تقاضا توسط بازیگران مسلط بازار موجب تحدید کاربرد این رو ش ها می شود. به رغم و جود موانع فوق روش ...

متن کامل

مقایسۀ مدل‌های Riskmetric و GARCH در پیش‌بینی نوسانات شاخص بازده کل بورس اوراق بهادارتهران

پیش­بینی نوسان در بازارهای مالی یک فعالیت بحرانی و کلیدی است و دارای حوزۀ تأثیرگذاری گسترده­ای می­باشد که شامل سرمایه­گذاری، ارزش گذاری اوراق بهادار، مدیریت ریسک و ایجاد سیاست پولی است. همانطور که مشخص است این موارد بوضوح از ارزش زیادی در تصمیم گیریهای اقتصادی برخوردار است بنابراین، توجه به این مسائل سبب ایجاد سؤالهایی از این قبیل می­شود که چطور می­توانیم بطور مؤثری نوسانات را پیش­بینی کنیم و آ...

متن کامل

برآورد درجه انباشتگی شاخص تورم با مدل ARFIMA- FIGARCH مطالعه موردی: ایران

  برآورد درجه انباشتگی شاخص تورم  با مدل ARFIMA- FIGARCH مطالعه موردی: ایران حسین عباسی‌نژاد* و یزدان گودرزی فراهانی**   تاریخ دریافت: 19/9/1391                                                تاریخ پذیرش: 27/2/1393   چکیده بررسی اثر حافظه در شاخص­های مختلف اقتصادی، به‌خصوص تورم و بازار پول دارای جذابیت تحقیقاتی بالایی است. این تحقیق با استفاده از داده‌های شاخص قیمت مصرف‌کننده ایران در دوره زمان...

متن کامل

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 ...

متن کامل

منابع من

با ذخیره ی این منبع در منابع من، دسترسی به آن را برای استفاده های بعدی آسان تر کنید

ذخیره در منابع من قبلا به منابع من ذحیره شده

{@ msg_add @}


نوع سند: پایان نامه

وزارت علوم، تحقیقات و فناوری - دانشگاه الزهراء - دانشکده علوم اجتماعی و اقتصادی

میزبانی شده توسط پلتفرم ابری doprax.com

copyright © 2015-2023