ریسک سیستمی به معنای احتمال سقوط ناگهانی یک سیستم مالی میباشد که کارایی سیستم مالی را مختل میکند و باعث بروز واکنشهای زنجیرهای و افزایش انتظارات بدبینانه در سیستم مالی میشود. از این رو، هدف از این مقاله اندازهگیری و رتبهبندی ریسک سیستمی در شاخصهای منتخب مالی و غ أکثر
ریسک سیستمی به معنای احتمال سقوط ناگهانی یک سیستم مالی میباشد که کارایی سیستم مالی را مختل میکند و باعث بروز واکنشهای زنجیرهای و افزایش انتظارات بدبینانه در سیستم مالی میشود. از این رو، هدف از این مقاله اندازهگیری و رتبهبندی ریسک سیستمی در شاخصهای منتخب مالی و غیرمالی بورس اوراق بهادار تهران و بررسی عوامل مؤثر بر این ریسک است. برای دستیابی به این هدف، با بهره‎گیری از مطالعه ون کاونبرگ و همکاران (2019) و به کارگیری معیار دلتای ارزش در معرض خطر شرطی (CoVaR∆)، به کمک مدل همبستگی شرطی پویا (DCC) با استفاده از دادههای روزانه مربوط به شاخصهای منتخب صنایع بورسی (اعم از مالی و غیر مالی) طی دوره فروردین 1390 تا پایان مرداد ماه 1399، معیار یاد شده محاسبه شده است. سپس با استفاده از رگرسیون دادههای پانل، ارتباط آن با عوامل مؤثر شامل ارزش در معرض خطر (VaR)، ریسک سیستماتیک (بتا)، تغییرات نرخ ارز و تغییرات قیمت نفت بررسی میشود. نتایج نشان میدهد که شاخصهای غیرمالی بورس اوراق بهادار سهم بیشتری را در بروز ریسک سیستمی نسبت به سایر شاخصهای مالی دارند. افزون بر این، نتایج مدل دادههای تابلویی گویای این واقعیت است که معیار ارزش در معرض خطر (VaR) و ریسک سیستماتیک (بتا) در بین متغیرهای درونزا تأثیر مثبت و معناداری بر روی ریسک سیستمی شاخص‎ها داشته و همچنین در بین عوامل برونزا نرخ ارز تأثیر مثبت و معناداری بر ریسک سیستمی دارد، اما قیمت نفت تأثیر معناداری بر ریسک سیستمی ندارد.
تفاصيل المقالة
در سالهای اخیر، توسعهی پردازندههای کامپیوتری موجب معرفی الگوریتمهای جدیدی برای پیشبینی دادههای مالی شده است که یکی از این الگوریتمها، یادگیری ماشین (Machine Learning) است. از اینرو در پژوهش حاضر به معرفی یک مدل ترکیبی از شبکه یادگیری عمیق (Deep Learning) و مدلها أکثر
در سالهای اخیر، توسعهی پردازندههای کامپیوتری موجب معرفی الگوریتمهای جدیدی برای پیشبینی دادههای مالی شده است که یکی از این الگوریتمها، یادگیری ماشین (Machine Learning) است. از اینرو در پژوهش حاضر به معرفی یک مدل ترکیبی از شبکه یادگیری عمیق (Deep Learning) و مدلهای منتخب خانواده GARCH جهت پیشبینی کوتاهمدت بازدهی روزانه شاخص کل بورس اوراق بهادار تهران پرداخته میشود. مهمترین ویژگی شبکه یادگیری عمیق در این است که بدون محدود بودن به مدلهای معین، میتواند خود را با نوسانات متغیرهای بازار هماهنگ و تعدیل نماید. در این پژوهش از میان مدلهای شبکه یادگیری عمیق، شبکه عصبی بازگشتی مبتنی بر حافظه کوتاهمدت و بلندمدت (RNN-LSTM) انتخاب و از مدلهای دارای حافظهکوتاه مدت GARCH و EGARCH در ساختار آن استفاده میشود. همچنین دو متغیر مستقل قیمت نفت و نرخ دلار در ساختار مدل ترکیبی، کمک فراوانی به آن در پیشبینی دقیقتر دادههای مالی میکند. نتایج تحقیق نشان میدهد که مدلهای ترکیبی دقت پیشبینی بالاتری نسبت به مدلهای تکی دارند. همچنین براساس معیارهای ارزیابی خطای پیشبینی RMSE و MAPE، مدل RNN-LSTM-EGARCH برپایه توزیع GED دارای خطای پیشبینی کمتری نسبت به 23 مدل دیگر دارد. در این راستا، معیار بررسی صحت پیشبینی دیبولد-ماریانو (DM) نیز یافتههای فوق را تایید میکند.
تفاصيل المقالة
پژوهش حاضر به معرفی مدلهایی از ترکیب خانواده GARCH با حافظه بلندمدت و شبکه ترکیبی عصبی کانولوشنی و بازگشتی، جهت مدلسازی و پیشبینی بازدهی روزانه بیتکوین طی دوره 1398-1392 میپردازد. وجود ویژگی حافظه بلندمدت در واریانس شرطی بازدهی بیتکوین موجب شده تا علاوه بر أکثر
پژوهش حاضر به معرفی مدلهایی از ترکیب خانواده GARCH با حافظه بلندمدت و شبکه ترکیبی عصبی کانولوشنی و بازگشتی، جهت مدلسازی و پیشبینی بازدهی روزانه بیتکوین طی دوره 1398-1392 میپردازد. وجود ویژگی حافظه بلندمدت در واریانس شرطی بازدهی بیتکوین موجب شده تا علاوه بر مدلهای دارای حافظه کوتاهمدت GARCH و EGARCH در این پژوهش از مدلهای FIGARCH و FIEGARCH که دارای ویژگی حافظه بلندمدت هستند؛ استفاده گردد. علاوه بر بکارگیری مدلهای حافظه کوتاهمدت، با توجه به کارایی بهتر مدلهای ترکیبی (در مقایسه با مدلهای فردی) در پیشبینی دادههای مالی، در این مطالعه، تمامی مدلهای خانواده GARCH (اعم از کوتاهمدت و بلندمدت) با شبکه ترکیبی عصبی کانولوشنی و بازگشتی ترکیب و با استفاده از مدلهای ترکیبی حاصلشده، بازده بیتکوین برای 10 روز آینده بهصورت گامبهگام پیشبینی و دقت آن براساس معیارهای ارزیابی مورد بررسی قرار گرفت. یافتههای پژوهش نشان داد که مدل ترکیبی FIEGARCH- شبکه عصبی با توزیع تی- استیودنت در پیشبینی بازده بیتکوین کارآمدتر و دارای خطای پیشبینی کمتری نسبت به سایر مدلهای رقیب است.
تفاصيل المقالة
این مقاله به معرفی مدلهایی از ترکیب خانواده GARCH و شبکه عصبی کانولوشنی، جهت پیشبینی بازدهی روزانه طلای جهانی طی فاصله زمانی 1398-1390 میپردازد. در این پژوهش از مدلهای دارای حافظه کوتاه مدت GARCH و EGARCH استفاده میشود. علاوه بر بکارگیری مدلهای حافظه کوتاهمدت، با أکثر
این مقاله به معرفی مدلهایی از ترکیب خانواده GARCH و شبکه عصبی کانولوشنی، جهت پیشبینی بازدهی روزانه طلای جهانی طی فاصله زمانی 1398-1390 میپردازد. در این پژوهش از مدلهای دارای حافظه کوتاه مدت GARCH و EGARCH استفاده میشود. علاوه بر بکارگیری مدلهای حافظه کوتاهمدت، با توجه به کارایی مدلهای ترکیبی خانواده GARCH (در مقایسه با مدلهای فردی) در پیشبینی دادههای مالی، در این مطالعه، تمامی مدلهای خانواده GARCH با شبکه عصبی کانولوشنی ترکیب شده و با استفاده از مدلهای ترکیبی بازده طلا پیشبینی شده است . وهمچنین پیشبینی به صورت ده گام به جلو بوده است. نتایج تحقیق حاکی از برتری مدل پیشنهادی نسبت به مدلهای جاری در پیشبینی سری زمانی بازدهی قیمت طلا بود. همچنین براساس معیارهای ارزیابی خطای پیشبینی RMSE و MAPE، مدل CNN-EGARCH برپایه توزیع نرمال دارای خطای پیشبینی کمتری نسبت به 23 مدل دیگر دارد. در این راستا، معیار بررسی صحت پیشبینی دیبولد-ماریانو (DM) نیز یافتههای فوق را تایید میکند.
تفاصيل المقالة
در دهههای اخیر افزایش سرعت انتقال اطلاعات و درهم تنیدگی بازارها موجب افزایش همگرایی و تأثیرگذاری بازارهای مالی بر یکدیگر شده است. امروزه هر تکانه یا نوسانی در یک بازار، بازارهای دیگر را نیز تحت تأثیر قرار میدهد. این پژوهش به بررسی اثرات سرریزی از بازار جهانی کامودیتی أکثر
در دهههای اخیر افزایش سرعت انتقال اطلاعات و درهم تنیدگی بازارها موجب افزایش همگرایی و تأثیرگذاری بازارهای مالی بر یکدیگر شده است. امروزه هر تکانه یا نوسانی در یک بازار، بازارهای دیگر را نیز تحت تأثیر قرار میدهد. این پژوهش به بررسی اثرات سرریزی از بازار جهانی کامودیتی به شاخص کل بورس اوراق بهادار تهران میپردازد. دوره زمانی این پژوهش دوره زمانی دوازدهساله شامل سالهای 1388 الی 1399 است. با استفاده از مدل VAR-BEKK-GARCH میزان ارتباط بین کامودیتیها با شاخص کل بورس تهران و اثرات سرریز شامل نوسان، بازده و شوک از دو گروه کامودیتیها ، شامل گروه فلزات گرانبها (طلا، نقره، پالادیوم، پلاتین) و گروه فلزات اساسی (مس، آلومینیوم، روی، قلع و نیکل) به شاخص کل بورس تهران مورد بررسی و سنجش قرار گرفت. نتایج در گروه فلزات گرانبها نشاندهنده سرریزی بازده از طلا و سرریزی نوسان از فلز پالادیوم به شاخص کل است و برای گروه فلزات اساسی سرریزی بازده از فلزات مس، روی و قلع و سرریزی نوسان از فلز آلومینیوم به شاخص کل مشاهده شد. همچنین سرریزی شوک برای هیچکدام از دو گروه فلزات گرانبها و اساسی به شاخص کل مشاهده نشد.
تفاصيل المقالة
با توسعه بازارهای مالی در کشورهای توسعهیافته و نوظهور، ابزارهای مالی متنوعی در این بازارها برای تأمین خواستههای طیف گسترده و متنوعی از سرمایهگذاران ارائهشده است. این ابزارهای شامل طیف گستردهای از انواع سهام، اوراق بادرآمد ثابت، قراردادهای مشتقه و ترکیبی از موارد ف أکثر
با توسعه بازارهای مالی در کشورهای توسعهیافته و نوظهور، ابزارهای مالی متنوعی در این بازارها برای تأمین خواستههای طیف گسترده و متنوعی از سرمایهگذاران ارائهشده است. این ابزارهای شامل طیف گستردهای از انواع سهام، اوراق بادرآمد ثابت، قراردادهای مشتقه و ترکیبی از موارد فوق است. دراینبین گواهی سپرده سهام بهعنوان یکی از محصولات مهندسی مالی، نه تنها به عنوان ابزار تأمین مالی در بازارهای سرمایه ایفای نقش میکند، بلکه با توجه به برخورداری از ویژگیهای منحصربهفرد، ضمن حفظ کنترل مدیریتی سهامداران عمده، موجب افزایش کارایی بازار سهام از طریق افزایش نقدشوندگی سهام نیز میگردد. در این رابطه با توجه به نقدشوندگی پایین بازار سرمایه ایران و تمایل کم شرکتهای بورسی به تأمین مالی (علیرغم نیاز جدی) از طریق انتشار سهام جدید به دلیل کاهش کنترل مدیریتی، پژوهش حاضر به معرفی، بومیسازی و ارائه مدل عملیاتی گواهی سپرده سهام بهعنوان ابزار جدید در تأمین مالی شرکتی (بدون کاهش کنترل مدیریتی) و افزایش کارایی بازار سرمایه (از طریق افزایش نقدشوندگی) پرداخته است.
تفاصيل المقالة
سند
Sanad is a platform for managing Azad University publications