Testing the Fractal Market Hypothesis with the Markov Regime Change Model: A Possible Combination and Convergence

Subject Areas : Journal of Investment Knowledge

Yaghoub  Mahmoudi ¹ (PhD student,International Financial Management, Islamic Azad University, Science and Research Unit, Tehran, Iran,)
Shadi  Shahverdiani ² (assistant professor at Islamic Azad University, Shahr Quds Unit,)
Hamid Reza  Kordlouei ³ (Associate Professor of Islamic Azad University, Islamshahr Unit,)
Mahdi  Madanchizaj ⁴ (Assistant Professor of Islamic Azad University, Electronic Unit (Virtual),)

Received: 2020-10-14 Accepted : 2020-12-28 Published : 2024-03-20

Keywords: Markov regime change, Risk, efficient market, capital market, Fractal market,

Abstract :

The importance of predicting and knowing the future in order to plan and formulate economic strategies is not hidden from anyone. The accuracy of forecasts is one of the most important factors in choosing the type of forecasting method. The stock price index is one of the effective variables in economic systems that these very complex time series are usually assumed to be random and as a result their changes are assumed to be unpredictable. Such time series variables have the property that the shock to the variable takes a long time to disappear due to the possibility of long-term memory. The aim of the present study was to test the fractal market hypothesis with the Markov regime change model with a possible combination and convergence in the Tehran Stock Exchange. In this paper, the amount of long-term memory and stability of financial time series resulting from the total stock market index for the period 1388-1386 were examined. For this purpose, first the existence of long-term memory was examined, then the fractal nature of the market was examined using the Harst view index. The results indicate the existence of long-term memory in this variable. In this case, with one differentiation, it becomes more differentiated, so the stock price index series in Iran has long-term memory and the effects of each shock on this variable due to its long-term memory remain for long periods. It stays. The results also showed that the overall stock market index is fractal.

References:

• جعفری، غلامرضا و ایزدی نیا، ناصر و پیروتی، جلال (1390)، تحلیل چند فراکتالی نوسانات روند زدایی شده شاخص کل بورس اوراق بهادار تهران. فصلنامه بورس اوراق بهادار فصلنامه بورس اوراق بهادار، 14، 115 –


• خواجوی، شکراله، عبدی طالب بیگی، هادی (1395)، تجزیه و تحلیل تجربی ابعاد فراکتال بر شاخص بازده نقدی و قیمت سهام شرکتهای پذیرفته شده در بورس اوراق بهادار تهران. دانش سرمایه‌گذاری، 5(18)، 79-93.


• رهنمای رودپشتی، فریدون و پدرام, پرهام (1391)، آنالیز فرکتالی شاخص بورس اوراق بهادار تهران به روش RS. دانش سرمایه‌گذاری، 1(3)، 63-80.


• صادقی، حجت اله و محمد نسیم، سبحان (1397)، محاسبه نمای هرست برای شاخص های بازار بورس اوراق بهادار تهران، سومین همایش بین المللی مدیریت، اقتصاد و توسعه، تهران، موسسه علمی کیان پژوهان.


• عباس زاده، محمدرضا، جباری نوقابی، مهدی و محکی، الهام (1394)، بررسی تحلیلی روند سری­های زمانی مالی در بورس اوراق بهادار تهران اولین همایش ملی پژوهش های کاربردی در حسابداری، مدیریت و اقتصاد، 11-25.


• عباسی نژاد، حسین و گودرزی فراهانی، یزدان (1393)، برآورد درجه انباشتگی شاخص تورم با مدل ARFIMA- FIGARCH مطالعه موردی: ایران، پژوهشنامه اقتصادی، 14(52)، 26-1.


• کشاورز حداد، غلامرضا و باقر صمدی (1388)، برآورد و دقت پیش‌بینی تلاطم بازدهی در بازار سهام تهران و مقایسه دقت روش‌ها در تخمین ارزش در معرض خطر: کاربردی از مدل‌های خانواده FIGARCH، مجله تحقیقات اقتصادی، 86، 25-39.


• محمدی، تیمور و رضا طالبلو (1389)، پویایی‌های تورم و رابطه تورم و عدم اطمینان اسمی با استفاده از الگوی ARFIMA- GARCH، پژوهشنامه اقتصادی، 10، 1.


• مروت، حبیب، (1391) آزمون فرضیه بازار فراکتالی در بورس اوراق بهادار تهران، فصل نامه بورس اوراق بهادار، 19، 5-15.


• نمازی؛ محمد، حاجیها، زهره و حسن چناری بوکت (1394)، مطالعه‌ی پدیده‌ی فرآیند آشوب در شاخص قیمت و بازده نقدی در بورس اوراق بهادار تهران، 9، 35-54.


• Balaban,E. and A,bayer (2006) ,stock Return and volatility: empirical Evidence from fourteen countries, Applied Economic Letters,12,603-611


• Bali,T. G (2008) ,The intertemporal Relation between expected Returns and risk, journal of financial Economics,87,1,101-131.


• Barnett, W.A., A. Serletis, (2000). Martingales, nonlinearity, and chaos, Journal of Economic Dynamics & Control, 2: 703-724.


• Brooks, (1997), Linear and Non-Linear Forecastability of High Frequency Exchange Rates, Journal of Forecasting, 15 125– 145.


• Chen, A.S & Lin, S.C (2011). Asymmetrical return on equity mean reversion and catering, Journal of Banking & Finance, 35: 471-477.


• Ding, C. W. and J. Granger (1996), Modeling Volatility Persistence of Speculative Returns: A New Approach, Journal of Econometrics, 73, 185–215.


• Gordon, R. R. (2000), The Fractal Structure of Exchange Rates: Measurement and Forecasting, Journal of International Financial Markets, Institutions and Money, 10, 163–180.


• Ladislav Kristoufek, Miloslav Vosvrda, (2016), Measuring capital market efficiency: long-term memory, fractal dimension and approximate entropy, Eur. Phys. 87: 162


• Mandelbrot, B.B (1981). The variation of certain speculative prices. J ournal of Business, 36, 392–417.


• Moarefian, M. and F. Ahmadlu (2005), Application of Fractals Theory in Petroleum Engineering, Journal of Research and Development, 15.


• Peters, E. E. (1991). Chaos and order in the capital markets. John Wiley & Sons.


• E.Edgar. (1992), Fractal Market Analysis: Applying Chaos Theory to Investment and Economics”, John Willy & Sons INC.


• Shleifer, A. (2020). Inefficient Markets, Oxford University press.


• Williams, B., (2005). Trading Chaos: Applying Expert Techniques to Maximize Your Profits, Press. John Wiley & Sons, 265 P., ISBN 0-471-11929-6.