ارائه شاخصی جدید برای انعکاس رفتار بازار سهام با استفاده از رویکرد تحلیل شبکه‌های پیچیده

الموضوعات :

هادی اسماعیل پور ¹ (دانشجوی دکتری اقتصاد مالی دانشگاه علامه طباطبائی، تهران، ایران.)
تیمور محمدی ² (دانشیار دانشگاه علامه طباطبائی، تهران، ایران.)
محمد فقهی کاشانی ³ (استادیار دانشگاه علامه طباطبائی، تهران، ایران.)
عباس شاکری ⁴ (استادیار دانشگاه علامه طباطبائی، تهران، ایران.)

تاريخ الإرسال : 19 الأربعاء , ربيع الثاني, 1440 تاريخ التأكيد : 21 الثلاثاء , جمادى الثانية, 1440 تاريخ الإصدار : 16 الأحد , شعبان, 1440

الکلمات المفتاحية: بازار سهام, شبکه‌های پیچیده, توزیع درجه, شاخص سهام. طبقه بندی JEL : D53, G11, G20,

ملخص المقالة :

شاخص های منعکس کننده رفتار بازار سهام یکی از مهم ترین عوامل تأثیرگذار بر تصمیمات سرمایه گذاران در بازارهای مالی است. اغلب سرمایه گذاران در بورس اوراق بهادار تهران به شاخص کل بورس توجه دارند که تمامی شرکت های پذیرفته شده در بورس را در بر می گیرد. این مطالعه به معرفی شاخصی جدید با استفاده از روش شبکه های پیچیده می پردازد. شبکه های پیچیده مطالعه همبستگی قیمت های بازار سهام را به خوبی فراهم می آورند و از این رو درک بیشتری از عملکرد بازار برای سرمایه گذاران ایجاد می کنند. در این مطالعه شبکه بازار سهام با داده های 246 سهام بورس اوراق بهادار تهران طی دوره زمانی اولین روز معاملاتی فروردین 1395 تا آخرین روز معاملاتی اسفند 1395 ایجاد شده که در آن، برای اتصال بین دو گره یا سهام از رویکرد WTA، استفاده گردیده است. نتایج حاصل از توزیع درجه شبکه بازار سهام، حاکی از این است که شبکه سهام بازار بورس اوراق بهادار تهران، شبکه ای آزاد از مقیاس است؛ که به وضوح نشان می دهد که تغییرات قیمت بازار سهام به شدت تحت تأثیر تعداد نسبتاً کمی از سهام ها قرار دارد. از این رو با استفاده از تحلیل شبکه های پیچیده بازار سهام، شاخصی جدید مبتنی بر درجه و با شمول سهام های منتخب، ارائه شده و با شاخص کل بازار بورس مقایسه می گردد. بر اساس نتایج، شاخص جدید همبستگی معناداری با شاخص کل بازار بورس دارد و می تواند رفتار بازار سهام را به خوبی منعکس نماید. The indices of stock market are one of the most important factors affecting the decisions of investors in financial markets. Most investors in the Tehran Stock Exchange pay attention to TEIPX index, which includes all companies is listed to the stock exchange. This study introduces a new index using a complex network method. Complex networks provide price correlation in stock market and thus creating a better understanding of market performance for investors. In this study, the stock market network with data from 246 stocks of Tehran Stock Exchange during the first trading day of March 2016 to the last trading day of March 2017 was created, in which the WTA approach was used to connect two nodes or stocks. The results of the degree distribution of the stock market network indicate that the stock market network of Tehran Stock Exchange is a scalefree network, which clearly shows that stock market price changes are highly influenced by a relatively small number of stocks. Hence, by using the complex networks analysis in stock market, a new index based on the degree and the inclusion of selected stocks is presented and compared with the TEPIX index. According to the results, the new index has a significant correlation with the TEPIX index and can reflect well stock market behavior. Keywords: Stock market, Complex networks, Degree distribution, Stock index JEL Classification: D53, G11, G20

المصادر:

1)     صفوی مبرهن، نفیسه سادات؛ غلامرضا جعفری و علی سعیدی. (1397). طراحی سبد سهام با قابلیت پیروی از بازده بازار با استفاده از رویکرد نظریه ماتریس­های تصادفی. مهندسی مالی و مدیریت اوراق بهادار، 34: 83-69.

2)      Acemoglu, D., Carvalho, V.M. Ozdaglar, A. & Tahbaz-salehi, A. (2012). The network origins of aggregate fluctuations. Econometrica, 80(5): 1977–2016.

3)      Allen, F. & Babus, A. (2009). Networks in finance. In The Network Challenge: Strategy, Profit, and Risk in an Interlinked World; Kleindorfer, P.R., Wind, Y., Eds.; Pearson Education, Inc.: Upper Saddle River, NJ, USA, pp. 367–382.

4)      Boginski, V., Butenko S. & Pardalos, P. M. (2006). Mining market data: A network approach. Computers & Operations Research, 33: 3171-3184.

5)      Brida, J. G., Matesanz, D. & Seijas, M. N. (2016). Network analysis of returns and volume trading in stock markets: The Euro Stoxx case. Physica A, 55: 751–764.

6)      Caraiani, P. (2012). Characterizing emerging European stock markets through complex networks: From local properties to self-similar characteristics. Physica A, 391: 3629–3637.

7)      Coletti, P. (2016). Comparing minimum spanning trees of the Italian stock market using returns and volumes. Physica A, 463: 246–261.

8)      Dimitrios, K. & Vasileios, O. (2015). A Network Analysis of the Greek Stock Market. Procedia Economics and Finance, 33: 340-349.

9)      Eberhard, J., Lavin, J. F. & Montecinos-Pearce, A. (2017). A Network-Based Dynamic Analysis in an Equity Stock Market. Complexity, 17: 1-16.

10)   Elton, E.J. & Gruber, M.J. (1995). Modern Portfolio Theory and Investment Analysis, Wiley.

11)   George, S. & Changat, M. (2017). Network approach for stock market data mining and portfolio analysis, International Conference on Networks & Advances in Computational Technologies (NetACT), Thiruvanthapuram, 251-256.

12)   Jallo, D., Budai, D., Boginski, V., Goldengorin, B. & Pardalos, P.M. (2013). Network-based representation of stock market dynamics: an application to American and Swedish stock markets models. Algorithms Technol. Netw. Anal: 32, 93–106.

13)   Laloux, L., Cizeau, P. Cotters, M. & Bouchaud, J. (2000). Random matrix theory and financial correlations. Mathematical models and methods in applied sciences, 3: 1-7.

14)   Long, W., Guan, L., Shen, J., Song, L. & Cui, L. (2017). A complex network for studying the transmission mechanisms in stock market. Physica A: 484, 345–357.

15)   Majapa, M. & Gossel, S. J. (2016). Topology of the South African stock market network across the 2008 financial crisis. Physica A, 445: 35–47.

16)   Nier, E., Yang, J., Yorulmazer, T. & Alentorn, A. (2008). Network models and financial stability. Working Paper No. 346, Bank of England.

17)   Pecora, N. and Spelta, A. (2015). Shareholding relationships in the Euro Area banking market: A network perspective. Physica A: Statistical Mechanics and its Applications, 43: 1-12.

18)   Sharma, K., Shah, S., Chakrabarti A.S., & Chakraborti, A. (2017) Sectoral Co-movements in the Indian Stock Market: A Mesoscopic Network Analysis. In: Aruka Y., Kirman A. (eds) Economic Foundations for Social Complexity Science. Evolutionary Economics and Social Complexity Science, Singapore: Springer.

19)   Tse, C. K., Liu, J. & Lau, F. C. M. ( 2010). A network perspective of the stock market. Journal of Empirical Finance, 17: 659–667.

20)   Yang, C., Chen,Y., Niu, L. & Li, Q. (2014). Cointegration analysis and influence rank-A network approach to global stock markets. Physica A, 400: 168–185.

21)   Zhang, J., Zhou, H. & Jiang, L. (2010). Network topologies of Shanghai stock index. Physics Procedia, 3(5):1733–1740.

22)   Zhang, Y., Cao, X., He, F. & Zhang, W. (2017). Network topology analysis approach on China’s QFII stock investment behavior. Physica A: Statistical Mechanics and its Applications, 473: 77-88.

23)   Zhao, L., Li, W. & Cai, X. (2016). Structure and dynamics of stock market in times of crisis. Physics Letters A, 380: 654–666.

24)   Zhong, T., peng, Q. Wang, X. & Zhang, J. (2016). Novel indexes based on network structure to indicate financial market. Physica A, 443: 583–594.

 

یادداشت‌ها