صفحه اصلی / مقالات آموزشی رایگان / بررسی حافظه بلند مدت بورس اوراق بهادار

بررسی حافظه بلند مدت بورس اوراق بهادار

   به نام خدا

باسلام

 بورس اوراق بهادار تهران قرار است در این مقاله بررسی شود. پیش از مطالعه توضیحات مقاله، چندین مقاله مرتبط و نزدیک با موضوع مورد بحث امروز در سایت نمادین شاپ منتشر شده است. نزدیک ترین آنها، مقاله بورس اوراق بهادار می باشد. همچنین مقالاتی با عنوان تأثیر خصوصی سازی بر بازار بورس و بورس سنتی یا بورس الکترونیکنیز در میان آن ها می باشد.

بورس اوراق بهادار

حافظه بازار

اقتصاددانان با توجه به تحقیقات انجام شده به وسیله محققانی چون مندلبرت و نس (۱۹۶۸)، گرنجر و جویوکس (۱۹۸۰) و هوسکینگ (۱۹۸۱) و دیگران، با فرایند حافظه بلند مدت و مدل های ARFIMA آشنا شدند.

یکی از روش های مشخص کردن روند حافظه بازار، تخمین پارامترهای هم انباشتگی کسری برای تمام قیمت های سهام در هر کشوری است. به دلیل مسأله تصریح مدل های مختلف و زیاد بودن تعداد شرکت ها، این روش در عمل امکان پذیر نمی باشد.

حافظه شاخص های بازارهای سهام، به اندازه حداکثر مرتبه انباشتگی حافظه سهم های شرکت دهنده شاخص، انباشته است. در این صورت، زمانی که درجه انباشتگی اکثریت قیمت سهام با یکدیگر مساوی باشد، میانگین حافظه قیمت سهام شرکت ها، حافظه بازار خواهد بود.

تکنیک های تخمین حافظه سری زمانی (در بورس اوراق بهادار)

سنجش آماری اولیه از حافظه بلند مدت به واسطه کار هرست (۱۹۵۱) آماره دامنه تجدید مقیاس شده یا R/S می باشد که امکان محاسبه پارامتر خودهمانندی ایجاد می کند که شدت وابستگی طولانی مدت در یک سری زمانی را می سنجد.

تحلیل های سنتی سری های زمانی بر روش هایی اتکاء دارند که در برگیرنده قلمرو زمان یا فرکانس می باشند. در مقابل، تبدیلات موجک امکان ترکیب اطلاعات زمان و فرکانس، هر دو را در تحلیل می دهد. کاربردهای تحلیل موجک به سرعت وارد نواحی ریاضیات، فیزیک کوآنتوم و شبیه سازی فرایندها شده است.

این تکنیک به تازگی به حوزه اقتصاد محاسباتی و اقتصادسنجی نیز بسط پیدا کرده است. توابع موجک، مجموعه ای از توابع متعامد بهنجار هستند که می توانند یک تابع گسسته را بهتر از سری های فوریه تقریب بزنند. از این توابع در تحلیل سری های زمانی نامانا استفاده می شود و توزیعی از توان را در دو بعد زمان و فرکانس می دهد (به جای این که مانند تحلیل طیفی فقط در یک بعد فرکانس باشد). این توابع خودشان نسبتاً عجیب و ویژه هستند و ذاتاً معنی دار نمی باشند.

بورس اوراق بهادار

تخمین حافظه بلند مدت بورس اوراق بهادار

در این بخش، برای آزمون حافظه بازار از بازده پنج شاخص بورس استفاده نموده ایم. پس از تقسیم سری زمانی بازده شاخص ها به زیر دوره های مختلف، حافظه هر زیر دوره با روش های مختلف ML، موجک مبتنی بر OLS، GPH Schuster، NLS، Whittle، نمای Hurst و Lo محاسبه شده است.

داده های تاریخی شاخص ها برای طولانی ترین دوره ای که داده ها در دسترس بودند، مورد تحلیل قرار گرفته است. تخمین حافظه دوره های جزئی برای بازده هر شاخص، سری تاریخی حافظه را به ما می دهد.

روش های Whittle و Wavelet نسبت به روش های دیگر پارامتر حافظه را دقیق تر برآورده می کنند، زیرا این دو روش فرضی در مورد دامنه مورد قبول برای پارامتر D نداشته و نسبت به وجود عبارت های (p,q) ARMA در سری زمانی حساس نیستند. نتایج دو روش Whittle و Wavelet با یکدیگر سازگاری بالایی دارند و نتایج بسیار نزدیک به یکدیگر ایجاد می کنند.

روش های GPH، Hurst و Lo در صورت وجود عبارت های (p,q ARMA )در سری زمانی نتایج تورش داری تولید می کنند. علاوه بر این، روش های Hurst و Lo از جمله روش های ناپارامتریک بوده و برخلاف مدل های ARFIMA ظرفیت مدل سازی رفتار انباشتگی کسری را هم در کوتاه مدت و هم در بلند مدت دارا نیستند و به همین دلیل دقت تخمین های پارامتریک و نیمه پارامتریک با استفاده از مدل های ARFIMA را ندارند، بنابراین مقدار عددی بدست آمده از این روش ها چندان قابل اتکا نبوده و فقط از جهت بررسی روند پارامتر d مورد توجه قرار گرفته است.

بورس اوراق بهادار

نتیجه گیری

در این مقاله وجود حافظه بلند مدت و نیز روند رفتاری آن در بازه شاخص های کل، قیمت و بازده، بازده نقدی، صنعت و مالی مورد بررسی قرار گرفته است. نتایج به دست آمده از روشش های تخمین Whittle، Wavelet، Hurst و Lo، پیرامون وجود یا عدم وجود حافظه بلند مدت برای بازده تمامی شاخص های مورد بررسی بیانگر آن است که بازده بورس اوراق بهادار تهران دارای حافظه بلند مدت می باشد.

تخمین های به دست آمده از روش NLS واریانس بالایی دارند، که نشان می دهد تخمین مقدار باثباتی را نتیجه نداده است و از اعتبار کافی برخوردار نمی باشد. تخمین ML نیز در صورت وجود عبارت های (p,qARMA) در سری زمانی، نتایج تورش داری به دست خواهد داد و فرض مانایی را نیز در نظر می گیرد، در نتیجه مقدار عددی به دست آمده از این روش ها چندان قابل اتکا نمی باشد.

علاوه بر این، تخمین های به دست آمده با روش های ML و NLS در بیشتر دوره ها معنی دار نبوده اند و به همین دلیل از تحلیل خارج شده اند.

سطح حافظه در بازار سهام و کوتاه کردن آن در آشکار ساختن کارایی بازار و گرایش آن به سمت کارایی مفید می باشد. به دلیل تورش تخمین در تقریباً تمامی روش های تخمین ARFIMA، نتایج ما و اکثر تخمین های حافظه نمی توانند اطلاعات مفیدتری درباره سطح حافظه و میزان کارایی ارائه دهند.

با این وجود، روند حافظه قابل اعتماد بوده و می تواند برای بررسی گرایش به کارایی در بازار سهام (بورس اوراق بهادار)مفید باشد. نتایج این تحقیق بیانگر آن است که طی دوره مورد بررسی، روند تغییرات حافظه یک روند خنثی بوده و به عبارت دیگر کارایی بازار کاهش و یا افزایش معنی داری نداشته است.

درباره namadin

این مطالب را نیز ببینید!

تعیین استراتژی در بورس

                                                          به نام خدا   قدرت مانیتورینگ : آنلاین بودن در کل ساعات معاملاتی و …

پاسخی بگذارید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

سه × یک =