بررسی دنباله بازده شاخص کل بورس اوراق بهادار تهران

محورهای موضوعی : مهندسی مالی

زهرا شیرازیان ¹

1 - عضو هیات علمی دانشگاه آزاد ملایر

تاریخ دریافت : 1396/08/21 تاریخ پذیرش : 1396/09/23 تاریخ انتشار : 1397/01/01

کلید واژه: تابع توزیع تجمع, تخمین‌گر هیل, نظریه مقدار مفرط, رفتار مجانبی (رگرسیونlog-log ),

چکیده مقاله :

این پژوهش به بررسی دنباله بازده شاخص کل بورس اوراق بهادار تهران می پردازد. ارزیابی دقیق ریسک در بازارهای مالی به منظور سرمایه گذاری و در نتیجه تخـصیص بهینـه سرمایه، از اهمیت حیاتی برخوردار است. افزایش نوسانات بازارهای مالی در دهه گذشته، موجب پیشرفت ابزارهای پیچیده مدیریت ریـسک شـده اسـت. شکلهای صریح دمهای توزیع، اطلاعـات مهمـی را بـرای مـدیران ریـسک و سـرمایه گذاران فراهم می کنند. در این پژوهش، یک توریع وقتی دم کلفت به حساب می آید.که دمهای توزیع احتمال به صورت تابعی تـوانی نـزول کننـد. وجود رفتار تابع توانی در دم توزیع، عواقب مهمی برای رفتار یک متغیر تصادفی به همراه دارد مثلا، ممکن اسـت، گـشتاورهای نامتناهی وجود داشته باشند. در این پژوهش از 2420 مشاهده روزانه شاخص بورس تهران و بازده لگاریتمی آن از ابتدای سال 87 تا مرداد سال 96 استفاده شده است. با استفاده از نرم افزار متلب به منظور بررسی دم های توزیع بازده های شاخص بورس تهـران از توزیـع هـای لـوی- پایـدار، مطالعه رفتار مجانبی (رگرسیون log-log ( تابع توزیع تجمعCDF ،تخمین گر هیل و نظریه مقدار مفرط استفاده می شود. نتیجه این توزیع ها نشان میدهد که در توزیع بازده های لگاریتمی شاخص بورس تهران دم کلفتی وجـود دارد.

چکیده انگلیسی:

The purpose of this study is to investigate the clustering of fluctuations in financial markets, including the stock market, with the underlying model of simulation.Time series of financial asset returns show the clustering of volatility, which shows that large changes in prices tend to form clusters together And these clusters will last for a long time. Time series of financial asset returns often exhibit the volatility clustering property: large changes in prices tend to cluster together, resulting in persistence of the amplitudes of price changes. After recalling various methods for quantifying and modeling this phenomenon, we discuss several economic mechanisms which have been proposed to explain the origin of this volatility clustering in terms of behavior of market participants and the news arrival process. A common feature of these models seems to be a switching between low and high activity regimes with heavy-tailed durations of regimes. Finally, we discuss a simple agent-based model which links such variations in market activity to threshold behavior of market participants and suggests a link between volatility clustering and investor inertia.