تحلیل فرکانسی نرخ بازده سهام در بازار سرمایه ایران براساس رویکرد موجک
الموضوعات : دانش مالی تحلیل اوراق بهاداررقیه صمدی 1 , مهین راشکی قلعه نو 2 , محمد مهدی 3 , سیامک محمدی پور 4
1 - دکتری مدیریت مالی ، دانشکده مدیریت و اقتصاد، دانشگاه سیستان و بلوچستان، زاهدان، ایران)
2 - دکتری مدیریت مالی ، گرایش مهندسی مالی ، دانشکده مدیریت و اقتصاد ، دانشگاه سیستان و بلوچستان ، زاهدان ، ایران
3 - استادیار، گروه اقتصاد و حسابداری، دانشگاه امام علی (ع)، تهران، ایران
4 - کارشناس ارشد مدیریت بازرگانی ، گروه مدیریت ، دانشگاه آزاد اسلامی واحد قشم ، قشم ، ایران
الکلمات المفتاحية: تحلیل فرکانسی, بازده سهام, موجک,
ملخص المقالة :
مطالعه و تجزیه و تحلیل رفتار نوسانات بازده اوراق بهادار ، مستلزم کشف الگوی رفتاری بازده سهام می‌باشد که براساس این الگو، سهامداران با ارزیابی سهام خود و دیگر سهام‌های موجود در بازار، قادر به انتخاب بهترین سهام بوده و در نتیجه می‌توانند نسبت به نگهداری، فروش یا جایگزینی سهام تصمیم گیری نمایند .هدف اصلی این پژوهش تجزیه و تحلیل الگوهای رفتاری نوسانات بازار سهام است تا براساس ویژگی های استخراج شده از لایه های مختلف زمانی،استراتژی های مناسب با افق های زمانی مختلف را تعیین نمود وسطح فعالیت اقتصادی سرمایه گذاران را سنجید.در این تحقیق با بکارگیری تبدیل موجک گسسته با حداکثر هم پوشانی در نرم افزار متلب ، نوسانات بازار سهام در مقاطع مختلف زمانی مورد بررسی و تجزیه و تحلیل قرار می گیرند؛ بدین منظور واریانس های بازده شاخص های موثر بازار سهام طی سال‌های1399-1390 مورد مقایسه و تحلیل قرار می گیرند.نتایج پژوهش نشان داد که واریانس موجک شاخص کل در مقیاس های مختلف در مقایسه با واریانس موجک شاخص بازده نقدی کمتر است،همچنین میزان واریانس موجک بازده سهام بیش از میانگین متحرک بازده سهام است. با توجه به مقیاس های حرکتی هر کدام از بازده سهام و میانگین متحرک بازده سهام طی مقیاس های بلندمدت، واریانس موجک کمتر و هم حرکتی کمتری داشته اند اما طی مقیاس های زمانی کوتاه مدت هم حرکتی بیشتر شده و واریانس بازده موجک در بین آنها بیشتر بوده است.درنهایت پیشنهاد گردید سرمایه گذاران با توجه به تحلیل رفتار نوسانات شاخص های کل، قیمت و بازده نقدی و میانگین متحرک آنها در لایه های مختلف زمانی،استراتژی های سرمایه گذاری خود به صورت پویا و هوشمند تدوین نمایند.
حسین کرد، مریم. شریفی، آرش. (1395) ." ارائه یک نسخه بهبود یافته از مدل فازی عصبی خطی محلی مبتنی بر تبدیل موجک گسسته به منظور پیش بینی سری های زمانی مالی". کنفرانس بین المللی مهندسی کامپیوتر و فناوری اطلاعات.
رستمی، محمد رضا .کلانتری بنجار، محمود . نوری جعفرآباد، دانیال. (1395). "بررسی هم حرکتی میان بازده شاخص صنایع مختلف در بورس اوراق بهادار تهران با بازده بازارهای نفت، طلا، دلار و یورو با استفاده از تحلیل موجک". دانش سرمایه‌گذاری ،5 ، 17، 227-251 .
دینارزهی ، خدیجه . شهیکی تاش ، محمدنبی . زمانیان ، غلامرضا. (1400) . " بررسی همروندی بازار سهام تهران و شاخصهای اقتصاد کلان جهانی با استفاده از تحلیلهای فرکانسی" ، فصلنامه مهندسی مالی و مدیریت اوراق بهادار ، 48، 223-252 .
زمردیان ، غلامرضا ؛ خسروانجم ، محسن .1399. بررسی رابطه نوسانات بازده سهام و رفتار سرمایه گذاران در بازار سرمایه ایران ، پژوهش های کاربردی در مدیریت و حسابداری ، 20 ، 84-96 .
فلاحی، فیروز. پورعبادالهان، محسن. صادقی، سید کمال.شکری، توحید. (1398). "بررسی رابطه‌ی میان رشد اقتصادی و کیفیت محیط زیست در ایران: شواهدی جدید مبتنی بر تبدیل موجک پیوسته". فصلنامه علمی پژوهش‌های رشد و توسعه اقتصادی .
کاظم زاده، اعظم.کریمی پتانلار، سعید . جعفری صمیمی، احمد . (1399) . "تحلیلی از اثر تنزی و اثر ضدتنزی در اقتصاد ایران: رویکرد مبدل موجک گسسته و الگوی خودرگرسیون برداری آستانه‌ای". پژوهشنامه اقتصاد کلان، 15 ،29 ، 13-37.
مشتاق ، سعید ؛ حسین زاده لطفی ، فرهاد ؛ فدائی نژاد ، محمداسماعیل .1401. بررسی تاثیر نرخ بازده ارز بر بازده شاخص نقدی و بازده شاخص کل در بورس اوراق بهادار تهران از طریق مدل رگرسیون ARDL ، فصلنامه علمی پژوهشی دانش سرمایه گذاری ،11(41) ، 281-301 .
نادمی ، یونس . خوچیانی ، رامین . (1396). "هم حرکتی دربازارهای سهام ، ارز و طلا در ایران : یک تحلیل اکونوفیزیک" ، مهندسی مالی و مدیریت اوراق بهادار، 31 ، 149-166 .
B.O, Osu and C.U, Okonkwo and P.U. Uzoma and E.E. Akpanibah, (2020)," Wavelet analysis of the international markets: A look at the next eleven (N11)", Scientific African, 7.
Boubaker, H, & Raza, S. A. (2017), "A wavelet analysis of mean and volatility spillovers between oil and BRICS stock markets", Energy Economics, 64, 105-117..
Croce, M. M. (2014)." Long-run productivity risk: A new hope for production-based asset pricing?” Journal of Monetary Economics, 66, 13-31.
Das, D, Bhowmik, P & Jana, R.K. (2018). "A Multiscale Analysis Of Stock Return Co-movements”, Statistical Mechanics And Its Applications , 502 , 379-393 .
Hoevenaars, R. P., Molenaar, R. D., Schotman, P. C., & Steenkamp, T. (2014)." Strategic Asset Allocation For Long‐Term Investors: Parameter Uncertainty and Prior Information", Applied Econometrics, 29(3), 353-376.
Jurek, J. W., & Viceira, L. M. (2010), "Optimal value and growth tilts in long-horizon portfolios", Review of Finance, 15(1), 29-74.
Gallegati , M. (2008), "Wavelet analysis of stock returns and aggregate economic activity ", Computational Statistics & Data Analysis, 52(6), 3061-3074.
Ismail, M, Audu, B & Tumala, M. (2016). "Volatility forecasting with the wavelet transformation algorithm GARCH model: Evidence from African stock markets", Finance and Data Science, 2(2), 125-135 .
Masih, M, & Majid, H. A, (2013), "Comovement of Selected International Stock Market Indices: A Continuous Wavelet Transformation and Cross Wavelet Transformation Analysis".
Mensi, W, Rehman, M, Maitra, D, Hamed Al, K & Xuan Vinh VO, Y. (2021). "Oil , Natural Gas And Brics Stock Markets : Evidence Of Systemic Risks And Co- Movements In The Time –Frequency Domain" ,Resources Policy , 72,102062.
Saiti, B, Bacha, O. I., & Masih, M. (2016)."Testing the conventional and Islamic financial market".
Sousa, R. M. (2015), "What is the impact of wealth shocks on asset allocation?” Quantitative Finance, 15(3), 493-508.
Tiwari, A. K., Cunado, J., Gupta, R., & Wohar, M. E. (2017), "Are Stock Returns an Inflation Hedge for the UK? Evidence from a Wavelet Analysis Using Over Three Centuries of Data", Operational Research, 187(3), 1380-1401.
Yilmaz, A., & Unal, G. (2016). "Co-movement analysis of Asian stock markets against FTSE100 and S&P 500: Wavelet-based approach". International Journal of Financial Engineering, 3(04), 1650033
Zhu, L, Wang, Y & Fan, Q. (2014)," Modwt-Arma Model For Time Series Prediction”, Applied Mathematical Modelling, 38, 1859-1865.
_||_