رویکردی جدید برای تخمین پارامتر حافظه بلندمدت در سریهای زمانی مالی

الموضوعات : دانش مالی تحلیل اوراق بهادار

سید محمد سیدحسینی ¹ , مسعود باباخانی ² , سید محمد هاشمی نژاد ³ , سید بابک ابراهیمی ⁴

1 - ندارد
2 - ندارد
3 - ندارد
4 - مسئول مکاتبات

تاريخ الإرسال : 15 الأحد , شوال, 1433 تاريخ التأكيد : 28 الأحد , ربيع الثاني, 1434 تاريخ الإصدار : 05 الأربعاء , ذو القعدة, 1434

الکلمات المفتاحية: حافظه بلندمدت, سری زمانی, بوتسترپ,

ملخص المقالة :

هنگامی که مشاهدات گذشته با آینده دور همبستگی بالایی داشته و رابطه آن ها غیرقابل چشمپوشی استسری زمانی موردمطالعه دارای ویژگی حافظه بلندمدت است. سنجش وجود حافظه بلندمدت در یک سری زمانیکاربردهای فراوانی در حوزههای مختلف مالی دارا میباشد و روشهای مختلفی برای تخمین آن شکل گرفتهاست که هر یک از این روشها از نواقصی برخوردار میباشد. رویکر بوتسترپ که در این مقاله برای محاسبهپارامتر حافظه بلندمدت به کار گرفته شد تقریب خوبی برای توزیع نمونهگیری در راستای تخمین پارامتر حافظهرا شکل میدهد. این رویکرد با محدودیتهای کمتری مواجه است و قادر است بخش عظیمی از مشکلاتروشهای گذشته را مرتفع نماید. در این پژوهش از دادههای روزانه شاخص قیمت بورس اوراق بهادار ایران(تهران) در در بازه زمانی دسامبر 2006 الی ژوئن 2010 برای برآورد پارامتر حافظه بلندمدت استفاده شد و نتایجحاصل نشاندهنده بهبود تخمین پارامتر حافظه بلندمدت بود.

المصادر:

) کشاورزحداد، غلامرضا.، ابراهیمی، سیدبابک و
اکبر جعفر عبدی، ( 1390 ). "بررسی سرایت
تلاطم میان بازدهی سهام صنعت سیمان و
صنایع مرتبط با آن در ایران" فصلنامه پژوهش -
،( های اقتصادی ایران، سال شانزدهم(شماره 47
تهران، ایران.
2) علیرضا عرفانی، ( 1387 ). "بررسی حافظه
بلندبودن شاخص کل قیمت بورس اوراق بهادار
تهران" پژوهشنامه علوم اقتصادی، سال هشتم
(شماره 28 ) ، تهران، ایران.
3) نظری، محسن و الهام فرزانگان، ( 1390 ). "بی
قاعدگیهای دورهای در بازدهی سهام عادی
بوری ارواق بهادار تهران(روش بازنمونهگیری
بوت استراپ ناپارامتریک" نشریه تحقیقات
مالی، دوره 13 ، شماره 31 ، تهران، ایران.
4) Barkoulas, J.T., Baum, C.F., and Travlos,
N., (2000). "Long Memory in the Greek
Stock Market", Applied Financial
Economics 10, pp.177-184.
5) Bhardwaj, G., & Swanson, N. R.
(2004).”An Empirical Investigation of the
Usefulness of ARFIMA Models for
Predicting Macroeconomic and Financial
Time Series”. Journal of Econometrics
,Vol.131(1-2), pp.539-578 .
6) Conrad J., Kaul G. (1989). Mean
Reversion in Short-Horizon Expected
Returns, the Review of financial studies,
Vol. 2, No. 2, pp. 225-240.
7) Davidson Russell, MacKinnon James. G,
(2004). “Econometric Theory and
Methods”. Oxford University Press.
8) Efron, B. & Tibshirani, R. J. (1993). “An
introduction to the Bootstrap”, London,
Chapmann & Hall.
9) Geweke, J., & Porter-Hudak, S. (1983).
“The estimation and application of long
memory time series models”. Journal of
Time Series Analysis, pp.221-238.
10) Granger, C. W. J. and Joyeux, R. (1980),”
An Introduction to Long Memory time
Series Models and Fractional difference”,
Journal of Time Series Analysis 1, pp.15-
29.
11) Grau-Carles, Pilar (2000). “Empirical
Evidence of Long-Range Correlations
inStock Returns”, Physica A 287, pp.396-
404.
12) Green, William H., (2003). “Econometric
Analysis”, Fifth Edition, New Jersey:
Prentice Hall.
13) Hall peter (1994).” Methodology and
Theory for Bootstrap”. Australian National
University, Handbook of Econometrics,
IV, Elsevier Science.
14) Jensen, M.J., (1999), “Using Wavelets to
Obtain a Consistent Ordinary Least
Squares Estimator of the Long Memory
Parameter”, Journal of Forecasting,
Vol.18, pp.17-32.
15) Jensen, M.J., (2000), “An Alternative
Maximum Likelihood Estimator of Long
Memory Processes Using Compactly
Supported Wavelets”, Journal of
Economic Dynamics and Control, Vol.24,
No.3, pp.361-387.
16) Lo, A. (1991).”Long term memory in
stock market prices”. Econometrica,
Vol.59, No.5, pp.1279-1313.
17) Mahmoudi, Vahid., Mohammadi, Shapour
& Hasti. Chitsazan, (2010). “A Study of
Long Memory Trend for International Oil
Markets”, Journal of Research in
Economic Modeling, Vol.1, No.1, pp.29-
49.
18) Norouzzadeh. P & B. Rahmani, (2005).
“Application of Multi fractal Measures to
Tehran Price Index”, Physica A, No.356,
pp.609-627.
19) Palma, Wilfredo, (2007),” Long-Memory
Time Series, Theory and Methods”, New
Jersey: John Wiley & Sons, Inc.
20) Peng C. K., S. Havlin, H. E. Stanley, A. L.
Goldberger. (1995), “Quantification of
Scaling Exponent and Crossover
Phenomena in Non stationary heartbeat
time series”, Chaos, No.5, pp.82-87.
21) Peters. E. E. (199٩).” fractal market
analysis”, Wiley- New York.
22) Poon S. H., W. J. Granger C. (2003).
“Forecasting Volatility in Financial
Markets: A Review”, Journal of Economic
Literature, Vol.41, No.2, pp. 478–539.
23) Rachev Svetlozar T., Mittnik Stefan,
Fabozzi Frank J., Focardi Serjio M., Jasic
Teo. (2007). “Financial Econometrics
from Basics to Advanced Modeling
سیدمحمد سیدحسینی، مسعود باباخانی، سیدمحمد هاشمی نژاد و سیدبابک ابراهیمی
114 فصلنامه علمی پژوهشی دانش مالی تحلیل اوراق بهادار / شماره هجدهم
Techniques Financial Econometrics: From
Basics to Advanced Modeling
Techniques”. The FRANK J. FABOZZI
Series. John Wiley & Sons, Inc.
24) Sowell, F. (1992). Maximum Likelihood
Estimation of Stationary Univariate
Fractionally Integrated Time Series
Models. Journal of Econometrics, Vol.53,
issue.1-3, pp.165-188.
25) Tolvi, Jussi, (2003), “Long Memory and
Outliers in Stock Market Returns”,
Applied Financial Economics, Vol.13 (7),
pp.495-502.
26) Xiu Jin & Yao Jin, (2007). “Empirical
Study of ARFIMA model based on
fractional differencing”, Physica A- 377.
27) Zivot, Eric and Wang, Jiahui(2003).
“Modelling Financial Time Series with SPLUS”,
New York: Springer-Verlag,
ISBN 0-387-95549-6