| تعداد نشریات | 60 |
| تعداد شماره‌ها | 2,180 |
| تعداد مقالات | 17,660 |
| تعداد مشاهده مقاله | 53,835,160 |
| تعداد دریافت فایل اصل مقاله | 28,346,264 |
بررسی حافظه بلندمدت دوگانه با تأکید بر توزیع چوله و دم پهن پسماندها: شواهدی از بورس اوراق بهادار تهران | ||
| مطالعات مدیریت صنعتی | ||
| مقاله 7، دوره 12، شماره 33، تیر 1393، صفحه 151-181 اصل مقاله (498.18 K) | ||
| نوع مقاله: مقاله پژوهشی | ||
| نویسندگان | ||
| محمدجواد محقق نیا1؛ منصور کاشی2؛ علیرضا دلیری3؛ محمد دنیایی* 3 | ||
| 1استادیار گروه بانکداری اسلامی، دانشکده مدیریت و حسابداری، دانشگاه علامه طباطبائی، تهران، ایران | ||
| 2کارشناس ارشد مدیریت بازرگانی- مالی، دانشکده مدیریت و حسابداری، دانشگاه سیستان و بلوچستان، زاهدان، ایران | ||
| 3دانشجوی دکتری مدیریت مالی، دانشکده مدیریت و حسابداری، دانشگاه علامه طباطبائی، تهران، ایران | ||
| چکیده | ||
| 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. | ||
| کلیدواژه‌ها | ||
| : حافظه بلندمدت؛ ARFIMA؛ FIGARCH؛ توزیع چوله Student-t؛ بورس اوراق بهادار تهران | ||
| مراجع | ||
|
سالارزهی، حبیب‌الله، کاشی، منصور، حسینی، سیدحسن و دنیائی، محمد. (۱۳۹۱). مقایسه کارآمدی مدل‌های ARIMA و ARFIMA برای مدل‌سازی و پیش‌بینی شاخص قیمت تهران (TEPIX)، فصلنامه دانش سرمایه‌گذاری، سال اول، شماره دوم، صص ۶۳-۳۵ تیموری، محمد و رضا طالبلو (۱۳۸۹)، پویایی‌های تورم و رابطه تورم و عدم‌اطمینان اسمی با استفاده از الگوی ARFIMA-GARCH ، فصلنامه پژوهش‌های اقتصادی، سال دهم، شماره اول، صص ۱۷۰-۱۳۷ محمودی، وحید، محمدی، شاپور و چیت‌سازان، هستی. (۱۳۸۹). بررسی حافظه بلندمدت در بازارهای جهانی نفت، فصلنامه تحقیق مدل‌سازی اقتصادی، سال اول، شماره ۱، صص ۲۹-۴۸. مشیری، سعید و مروت، حبیب. (۱۳۸۵). پیش‌بینی شاخص کل بازدهی سهام تهران با استفاده از مدل‌های خطی و غیر‌خطی، فصلنامه پژوهش‌های بازرگانی، سال دهم، شماره ۴۱، صص ۲۷۵-۲۴۵. عرفانی، علیرضا. (۱۳۸۷). بررسی حافظة بلندمدت بودن شاخص کل قیمت بورس اوراق بهادار تهران، پژوهشنامةعلوم‌انسانیواجتماعی، سال هشتم، شمارة بیست‌و‌هشتم، صص ۷۷-۹۲. شعرایی، سعید و ثنائی اعلم، محسن. (۱۳۸۹). بررسی وجود حافظه بلندمدت در بورس اوراق بهادار تهران و ارزیابی مدل‌هایی که حافظه بلندمدت را در‌نظر می‌گیرند، مجله پژوهش‌های حسابداری مالی، سال دوم، شماره ۴ (پیاپی ۶)، صص ۱۷۳-۱۸۹ عرفانی، علیرضا. (۱۳۸۸). پیش‌بینی شاخص کل بورس اوراق بهادار تهران با مدل ARFIMA، تحقیقاتاقتصادی، شماره ۸۶، صص ۱۶۳-۱۸۰ کشاورز حداد، غلامرضا و صمدی، باقر. (۱۳۸۸). برآورد و پیش‌بینی تلاطم بازدة در بازار سهام تهران و مقایسه دقت روش‌ها در تخمین ارزش در معرض خطر: کاربردی از مدل‌های خانواده FIGARCH، تحقیقات اقتصادی، شماره ۸۶، صص ۱۹۳-۲۳۵ Baillie R. T., Han, Y. W. and Kwon, T-G. (2002). Further long memory properties of inflationary shocks, Southern Economic Journal, 68: 496-510
Baillie, R., Bollerslev, T. and Mikkelsen, H. (1996). Fractionally Integrated Generalized Autoregressive Conditional Heteroskedasticity, Journal of Econometrics, 74 (1): 3–30.
Baillie, R.T. and T. Bollerslev. (1989). the message in daily exchange rates: A conditional-variance tale, Journal of Business and Economic Statistics, 7: 297-305.
Beine, M. and Laurent, S. (2003). Central bank interventions and jumps in double long memory models of daily exchange rates, Journal of Empirical Finance, 10: 641–660.
Bollerslev, T. (1987). A conditional heterosedastic time series model for speculative prices and rates of return, Review of Economics and Statistics, 69: 542-547.
Bollerslev, T. and Mikkelsen, H. O. (1996). Modeling and Pricing Long Memory in Stock Market Volatility, Journal of Econometrics, 73 (1): 151-184.
Bormetti, G., Cisana, E. Montagna, G. and Nicrosini, O. (2007).Anon-Gaussian approach to risk measures, Physica A, 376: 532–542.
Cheung, Y.W. (1993). Tests for fractional integration: A Monte Carlo investigation, Journal of Time Series Analysis, 14: 331-45.
Conrad, C. and Karanosos, M. (2005). On the inflation-uncertainty hypothesis in the USA, Japan, and the UK: A dual long memory approach, Japan and the World Economy, 17: 327-343.
Ding, Z., Granger, C. W. J. and Engle, R. F. (1993). A long memory property of stock market returns and a new model, Journal of Empirical Finance, 1: 83–106.
Fang, H. and Lai, T.Y. (1997). Co-kurtosis and capital asset pricing, Financial Review, 32: 293-307
Harvey, C.R. and Siddique, A. (2000). Time-varying Conditional Skewness and the Market Risk Premium, Research in Banking and Finance, 1: 25-58.
Hosking, J. R. M. (1981). Fractional Differencing, Biometrika, 68 (1): 165-176.
Kang, S.H., Kim, K.S. and Yoon, S.M. (2006). Dual Long Memory Properties in the Korean Stock Market, Journal of Economic Studies, 24: 259-286. | ||
|
آمار تعداد مشاهده مقاله: 3,221 تعداد دریافت فایل اصل مقاله: 1,518 |
||