| تعداد نشریات | 60 |
| تعداد شماره‌ها | 2,043 |
| تعداد مقالات | 16,472 |
| تعداد مشاهده مقاله | 43,656,252 |
| تعداد دریافت فایل اصل مقاله | 24,824,251 |
الگوسازی ریسک سهام شرکت‌های بزرگ بازار بورس اوراق بهادار تهران؛ رویکرد تلاطم تصادفی چندمتغیره عاملی | ||
| پژوهشنامه اقتصادی | ||
| دوره 23، شماره 91 - شماره پیاپی 4، دی 1402، صفحه 131-165 اصل مقاله (2.97 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22054/joer.2024.77305.1184 | ||
| نویسندگان | ||
| رضا طالبلو* 1؛ پریسا مهاجری2؛ مرتضی یگانه3 | ||
| 1دانشیار دانشکده اقتصاد دانشگاه علامه طباطبائی، تهران، ایران | ||
| 2دانشیار دانشکده اقتصاد دانشگاه علامه طباطبائی، تهران، ایران. | ||
| 3دانشجوی کارشناسی ارشد دانشکده اقتصاد، دانشگاه علامه طباطبائی، تهران، ایران | ||
| چکیده | ||
| تجزیه و تحلیل تلاطم به‌عنوان ابزاری مدرن و کارآمد، در برآورد، مدیریت و پوشش ریســـک، ارزش‌گذاری و انتخاب سبد بهینه محسوب می‌شود و به تصمیم‌گیری مالی آگاهانه سرمایه‌گذاران کمک می‌نماید. هدف پژوهش حاضر، ارائه مدلی برای تجزیه‌و‌تحلیل ریسک سهام 30 شرکت بزرگ در بورس اوراق بهادار تهران با استفاده از مدل تلاطم تصادفی چند عاملی (MFSVM) در چارچوب رویکرد فضا-حالت غیرخطی است. در این چارچوب، تلاطم بازده سهام به دو جزء «تلاطم منبعث از عوامل پنهان» و «تلاطم خاص هر سهم» تفکیک شده و ماتریس همبستگی و کوواریانس پویای تلاطم بازده سهام برآورد می‌شود. در این راستا از داده‌های هفتگی بازده سهام شرکتها طی دوره زمانی 30/10/1396 تا 15/07/1402 استفاده شده است. نتایج پژوهش حاکی از آن است که اولاً سه عامل پنهان بر تلاطم بازده سهام‌ها اثرگذارند. عامل نخست عمدتاً سهام مربوط به شرکت‌های فعال در صنعت فراورده‌های نفتی(شبندر، شبهرن، شپنا)، محصولات شیمیایی (تاپیکو، فارس، شخارک، شپدیس، پارسان)، فلزات اساسی (فولاد، فملی، فخوز)، معدن(کچاد، کگل) و صندوق‌های سرمایه گذاری (وصندوق، وغدیر، وبانک) را تحت تأثیر قرار داده است. عامل دوم بیشترین تأثیر را بر بانک‌ها (وتجارت، وبصادر، ونوین، وبملت، وپارس) داشته است. عامل سوم نیز تا حدودی بر سهام بانک‌ها اثرگذار بوده است. ثانیاً قوی‌ترین همبستگی زوجی پسینی، بین شرکت وغدیر با شرکت‌های تاپیکو، پارسان و فولاد به ترتیب با 74%، 73% و 71% و فولاد با شرکت‌های پارسان، تاپیکو (هر یک 69%) و سپس با فملی و ومعادن (هر یک 66 %) می‌باشد و ضعیف‌ترین همبستگی زوجی نیز به شرکت‌های وغدیر-وپاسار (10-%) اختصاص دارد. ثالثاً نماد وپاسار (بانک پاسارگاد) و وغدیر (شرکت سرمایه‌گذاری غدیر) به ترتیب کمترین و بیشترین همبستگی را با شبکه سهام تجربه می‌کنند. | ||
| کلیدواژه‌ها | ||
| ریسک منحصر به فرد؛ عوامل پنهان؛ مدل تلاطم تصادفی چندمتغیره عاملی؛ همبستگی پویا؛ بازار سهام | ||
| مراجع | ||
|
طالبلو، رضا و مهاجری، پریسا (1399). الگوسازی سرایت تلاطم در بازار سهام ایران؛ رویکرد فضا-حالت غیرخطی. تحقیقات اقتصادی، 55(4)، 963-990.
طالبلو، رضا و مهاجری، پریسا. (1400). الگوسازی تلاطم در بازارهای دارایی ایران با استفاده از مدل تلاطم تصادفی چند متغیره عاملی. مدلسازی اقتصادسنجی، 6(3)، 63-96.
Asai, M., & McAleer, M. (2009). Multivariate Stochastic Volatility, Leverage and News Impact Surfaces. The Econometrics Journal, 12(2), 292-309.
Asai, M., McAleer, M., & Yu, J. (2006). Multivariate Stochastic Volatility: A Review. Econometric Reviews, 25(2-3), 145-175.
Bollerslev, T. (1986). Generalized Autoregressive Conditional Heteroskedasticity. Journal of econometrics, 31(3), 307-327.
Bollerslev, T., Engle, R. F., & Nelson, D. B. (1994). ARCH Models. Handbook of econometrics, 4, 2959-3038.
Bos, C. S. (2011). Relating Stochastic Volatility Estimation Methods.
Engle, R. F. (1982). Autoregressive Conditional Heteroscedasticity with Estimates of the Variance of United Kingdom Inflation. Econometrica: Journal of the econometric society, 987-1007.
Gelman, A., Carlin, J. B., Stern, H. S., & Rubin, D. B. (1995). Bayesian Data Analysis. Chapman and Hall/CRC.
Harvey, A., Ruiz, E., & Shephard, N. (1994). Multivariate Stochastic Variance Models. The Review of Economic Studies, 61(2), 247-264.
Harvey, A. C., & Shephard, N. (1996). Estimation of an Asymmetric Stochastic Volatility Model for Asset Returns. Journal of Business & Economic Statistics, 14(4), 429-434.
Hosszejni, D., & Kastner, G. (2019). Modeling Univariate and Multivariate Stochastic Volatility in R with Stochvol and Factorstochvol. arXiv preprint arXiv:1906.12123.
Jacquier, E., Polson, N. G., & Rossi, P. (1999). Stochastic Volatility: Univariate and Multivariate Extensions. CIRANO.
Kastner, G. (2016). Dealing with Stochastic Volatility in Time Series Using the R Package stochvol. Journal of Statistical Software, 69(5), 1 - 30.
Kastner, G., Frühwirth-Schnatter, S., & Lopes, H. F. (2017). Efficient Bayesian Inference for Multivariate Factor Stochastic Volatility Models. Journal of Computational and Graphical Statistics, 26(4), 905-917.
Lee, P. M. (2012). Bayesian Statistics: An Introduction. Wiley.
Lintner, J. (1969). The Valuation of Risky Assets and the Selection of Risky Investments in Stock Portfolios and Capital Budgets: A Reply. The review of economics and statistics, 222-224.
Markowitz, H. (1952). Portfolio Selection. The journal of Finance, 7(1), 77-91
Nakajima, J. (2017). Bayesian Analysis of Multivariate Stochastic Volatility with Skew Return Distribution. Econometric Reviews, 36(5), 546-562.
Poon, S.-H., & Granger, C. W. J. (2003). Forecasting Volatility in Financial Markets: A Review. Journal of economic literature, 41(2), 478-539.
Sharpe, W. F. (1964). Capital Asset Prices: A Theory of Market Equilibrium under Conditions of Risk. The journal of Finance, 19(3), 425-442.
Shephard, N. (1996). Statistical Aspects of ARCH and Stochastic Volatility. In Time Series Models: In econometrics, finance and other fields (pp. 1-67). Chapman & Hall.
Speagle, J. S. (2019). A Conceptual Introduction to Markov Chain Monte Carlo Methods. arXiv preprint arXiv:1909.12313.
Taleblou, R., & Mohajeri, P. (2021). Modeling the Transmission of Volatility in the Iranian Stock Market Space-State Nonlinear Approach. Journal of Economic Research (Tahghighat- E- Eghtesadi), 55(4), 963-990. [In Persian]
Taleblou, R., & Mohajeri, P. (2021). Modeling the Volatility of the Iranian Asset Markets Using Factor Multivariate Stochastic Volatility Model. Journal of Econometric Modelling, 6(3), 63-96. [In Persian]
Taleblou, R. & Mohajeri, P. (2023). Modeling the Daily Volatility of Oil, Gold, Dollar, Bitcoin and Iranian Stock Markets: An Emprical Application of a Nonlinear Space State Model. Iranian Economic Review, 27(3), 1033-1063.
Taleblou, R. & Mohajeri, P. (2024). Modeling the Dynamic Correlations among Cryptocurrencies: New Evidence from Multivariate Factor Stochastic Volatility Model. Journal of Money and Economy, 18(2), 263-284.
Taylor S, J. (1982). Financial Returns Modelled by the Product of Two Stochastic Processes-A Study of Daily Sugar Prices 1961-79. Time Series Analysis : Theory and Practice, 1, 203-226.
Tims, B., & Mahieu, R. (2003). A Range-Based Multivariate Model for Exchange Rate Volatility.
Tjelmeland, H., & Hegstad, B. K. (2001). Mode Jumping Proposals in MCMC. Scandinavian Journal of Statistics, 28(1), 205-223.
Triantafyllopoulos, K. (2008). Multivariate stochastic volatility with bayesian dynamic linear models. Journal of Statistical Planning and Inference, 138(4), 1021-1037.
Tse, Y. K., & Tsui, A. K. C. (2002). A Multivariate Generalized Autoregressive Conditional Heteroscedasticity Model with Time-Varying Correlations. Journal of Business & Economic Statistics, 20(3), 351-362.
van de Schoot, R., Depaoli, S., King, R., Kramer, B., Märtens, K., Tadesse, M. G., Vannucci, M., Gelman, A., Veen, D., & Willemsen, J. (2021). Bayesian statistics and modelling. Nature Reviews Methods Primers, 1(1), 1.
Yu, J., & Meyer, R. (2004). Multivariate Stochastic Volatility Models: Bayesian Estimation and Model Comparison. | ||
|
آمار تعداد مشاهده مقاله: 174 تعداد دریافت فایل اصل مقاله: 133 |
||