ارزیابی و بررسی خاصیت فراکتالی بازارهای سرمایه برپایه تحلیل نوسانات روند زدایی شده (مورد مطالعه: بازار ارز و شاخص بورس تهران)

الموضوعات : دانش مالی تحلیل اوراق بهادار

آرش آذریون ¹ , نرگس یزدانیان ² , سیدعلیرضا میرعرب بایگی ³ , هدی همتی ⁴

1 - دانشجوی دوره دکترای مدیریت صنعتی گرایش مالی، واحد رودهن، دانشگاه آزاد اسلامی، رودهن، ایران.
2 - استادیارحسابداری،گروه حسابداری، واحدرودهن، دانشگاه آزاد اسلامی، رودهن، ایران. (نویسنده مسئول)
3 - استادیارحسابداری،گروه حسابداری، واحدرودهن، دانشگاه آزاد اسلامی، رودهن، ایران.
4 - استادیارحسابداری،گروه حسابداری، واحدرودهن، دانشگاه آزاد اسلامی، رودهن، ایران

تاريخ الإرسال : 18 السبت , صفر, 1443 تاريخ التأكيد : 18 السبت , صفر, 1443 تاريخ الإصدار : 15 الإثنين , محرم, 1443

الکلمات المفتاحية: حافظه بلندمدت, خاصیت چندبخشی, نرخ ارز, شاخص بورس,

ملخص المقالة :

در این تحقیق حافظه بلندمدت شاخص بورس و نرخ ارز (دلار) با استفاده از تحلیل نوسانات روندزدایی شده مورد برآورد قرار گرفت. به منظور روندزدایی داده ها، رویکرد گارچ پیشنهاد شد و الگوی برآورد حافظه بلندمدت برای هر دو روش متداول و گارچ به طور جداگانه اجرا شد. برای این منظور از داده های روزانه شاخص بورس و نرخ دلار در بازار آزاد طی دوره 05/01/1393 تا 19/11/1399 استفاده شد. نتایج حاصل از پژوهش نشان می‌دهد که روش متداول در محاسبه نوسانات روندزدایی شده، قابلیت برآورد حافظه بلندمدت نرخ ارز را ندارد، در حالی که نتایج آن برای شاخص بورس نشان از وجود حافظه کوتاه مدت داشت. نتایج نشان می‌دهد که روش پیشنهادی در روندزدایی داده ها و محاسبه نوسانات روندزدایی شده مبتنی بر مدل گارچ، از توان بالاتری در کنترل تغییرات نوسانات بازار دارد و طبق یافته های این روش، شاخص بورس و نرخ دلار دارای حافظه بلندمدت بوده اند. همچنین نتایج نشان می‌دهد که این دو روش برآوردهای به طور معنادار متفاوتی از حافظه بلندمدت بازار ارائه می دهند و طبق نتایج آزمون همبستگی بین مقادیر حافظه بلندمدت داده ها و مقدار پارامتر q در تحلیل نوسانات روندزدایی شده، مشاهده شد که شاخص بورس و نرخ ارز در ایران دارای خاصیت چندبخشی هستند.

المصادر:

*      خیاط سرکار، وحید (1395). اثر اجرای برجام بر حافظه بلند مدت سری های زمانی مالی( مطالعه ای در بورس اوراق بهادار تهران)، کارشناسی ارشد، دانشگاه یزد، دانشکده مدیریت و حسابداری.

*      رستمی، علی (1395). بکارگیری نظریه ارزشِ فرین و حافظه بلندمدت در بازار سهام ایراندرچارچوب مدل (GARCH)، کارشناسی ارشد، دانشگاه شیخ بهایی، دانشکده علوم ریاضی.

*      رضائی، مهدیه (1397). برآورد پارامتر هرست وابسته به زمان در سری‌های زمانی مالی، کارشناسی ارشد، دانشگاه الزهرا (س)، دانشکده علوم ریاضی.

*      روشن، رحمت اله (1397). بررسی رفتار نامتقارن چندفراکتالی در شاخص‌های بورس اوراق بهادار تهران با استفاده از تحلیل چند فراکتالی نوسانات بدون روند شده نامتقارن، کارشناسی ارشد، دانشگاه ارومیه، دانشکده اقتصاد و مدیریت.

*      نسیم‌سبحان، محمد (1395). تحلیل فراکتالی سری‌های زمانی مالی با استفاده از نمای هرست (مطالعه‌ای در بازار سرمایه ایران)، کارشناسی ارشد، دانشگاه علم و هنر یزد، دانشکده علوم انسانی.

*      نیک‌بین، بهنام (1394). بررسی توسعه مالی بورس اوراق بهادار تهران: رهیافت حافظه بلند مدت برای آزمون EMH، کارشناسی ارشد، دانشگاه علامه طباطبائی، دانشکده اقتصاد.

*      نیکخواه بهرامی، الهام (1390). آزمون کارایی در سطح ضعیف در بورس اوراق بهادار تهران با استفاده از پارامتر حافظه و انحراف از فرضیه گاوسی، کارشناسی ارشد، دانشگاه الزهرا (س)، دانشکده اقتصاد و حسابداری.

*      Aktan, C.; Iren, P.; Omay, T. (2019). Market development and market e_ciency: Evidence based on nonlinear panel unit root tests. Eur. J. Financ., 25, 979–993

*      Anagnostidis, P.; Emmanouilides, C.; Varsakelis, C.(2016). Has the 2008 financial crisis affected stock market e_ciency? The case of Eurozone. Phys. A Stat. Mech. Appl., 447, 116–128.

*      Fama, E.F.(1970). Efficient capital markets: A review of theory and empirical work. J. Financ., 25, 383–417.

*      Ferreira, P. (2018). Long-range dependencies of Eastern European stock markets: A dynamic detrended analysis. Phys. A Stat. Mech. Appl., 505, 454–470.

*      Gbenro, N.; Moussa, K.R. (2019). Asymmetric mean reversion in low liquid markets: Evidence from BRVM. J. Risk Financ. Manag., 12, 38.

*      Han C., Wang Y., Ning Y., (2019). Comparative analysis of the multifractality and efficiency of exchange markets: Evidence from exchange rates dynamics of major world currencies, Physica A: Statistical Mechanics and its Applications, Vol. 535, 12236.

*      Kristoufek, L.; Vosvdra, M.(2013).  Measuring capital market e_ciency: Global and local correlations structure. Phys. A Stat. Mech. Appl., 392, 184–193.

*      Li S., Xu N., Hui X., (2020). International investors and the multifractality property: Evidence from accessible and inaccessible market, Physica A: Statistical Mechanics and its Applications, Vol. 559, 125029.

*      McKinley, W. (2015). Python and Data Analysis / W. McKinley; Translated from English. A.A. Slinkin. - Moscow: DMK Press, p. 482.

*      Milo¸s L.R., et. Al., (2020). Multifractal Detrended Fluctuation Analysis (MF-DFA) of Stock Market Indexes. Empirical Evidence from Seven Central and Eastern European Markets, sustainability, 12, 535, 1-15.

*      Stosic D., Stosica D., Mattos P., TatijanaStosic N., (2019). Multifractal characterization of Brazilian market sectors, Physica A: Statistical Mechanics and its Applications, Vol. 525, pp 956-964.

*      Toki´c, S.; Bolfek, B.; Radman Peša, A. (2018). Testing e_cient market hypothesis in developing Eastern European countries. Invest. Manag. Financ. Innov., 15, 281–291.

*      Yan R., Yue D., Chen X., Wu X., (2020). Non-linear characterization and trend identification of liquidity in China's new OTC stock market based on multifractal detrended fluctuation analysis, Chaos, Solitons & Fractals, Vol. 139, 110063.

*      Yuan Y., Zhang T., (2020). Forecasting stock market in high and low volatility periods: a modified multifractal volatility approach, Chaos, Solitons & Fractals, Vol. 140, 110252.