خوشه بندی نوسانات در بازارهای مالی با مدل شبیه سازی عامل بنیان
محورهای موضوعی : مهندسی مالیزهرا شیرازیان 1 , هاشم نیکو مرام 2 , فریدون رهنمای رودپشتی 3 , تقی ترابی 4
1 - دانشجوی دکتری مدیریت مالی، دانشگاه آزاد اسلامی واحد علوم و تحقیقات ،تهران ،ایران
2 - استاد و عضو هیات علمی دانشکده مدیریت و اقتصاد، دانشگاه آزاد اسلامی واحد علوم و تحقیقات ،تهران،ایران
3 - استاد و عضو هیات علمی دانشکده مدیریت و اقتصاد، دانشگاه آزاد اسلامی واحد علوم و تحقیقات ،تهران، ایران
4 - دانشیار و عضو هیات علمی دانشکده مدیریت و اقتصاد، دانشگاه آزاد اسلامی واحد علوم و تحقیقات تهران،ایران.
کلید واژه: خوشه‌بندی نوسانات, شبیه سازی عامل بنیان, سوییچینگ, اینرسی سرمایه‌گذار,
چکیده مقاله :
هدف از این پژوهش بررسی خوشه بندی نوسانات در بازارهای مالی از جمله بازار بورس اوراق بهادار با مدل شبیه سازی عامل بنیان است.سریهای زمانی از بازده های دارایی مالی ویژگی خوشه بندی نوسانات را نشان میدهد که تغییرات بزرگ در قیمتها تمایل به تشکیل خوشه با هم دارند و این خوشه ها برای مدت زمانی پایدار می مانند. با استفاده از مدلهای مختلف اقتصادسنجی ، منبع این پدیده را در عوامل مختلفی از جمله رفتار مشارکت کنندگان بازار و فرایند اخبار رسیده به بازار مالی میدانند .یک ویژگی مشترک از این مدلها سوییچینگ میان رژیم های فعالیت بالا و پایین با دنباله های پهن می باشد.در این پژوهش از مدل شبیه سازی عامل بنیان که یک جزء مفیدی برای تحلیل اقتصادسنجی ارایه میکند از طریق نرم افزار متلب استفاده شده است. نتیجه استفاده از این مدل، برقراری ارتباط میان نوسانات بالا و پایین بازار با رفتار آستانه ای مشارکت کنندگان بازار می باشد. همچنین اینرسی سرمایه گذار را با خوشه بندی نوسانات مرتبط می سازد.
The purpose of this study is to investigate the clustering of fluctuations in financial markets, including the stock market, with the underlying model of simulation. Time series of financial asset returns show the clustering of volatility, which shows that large changes in prices tend to form clusters together And these clusters will last for a long time. Time series of financial asset returns often exhibit the volatility clustering property: large changes in prices tend to cluster together, resulting in persistence of the amplitudes of price changes. After recalling various methods for quantifying and modeling this phenomenon, we discuss several economic mechanisms which have been proposed to explain the origin of this volatility clustering in terms of behavior of market participants and the news arrival process. A common feature of these models seems to be a switching between low and high activity regimes with heavy-tailed durations of regimes. Finally, we discuss a simple agent-based model which links such variations in market activity to threshold behavior of market participants and suggests a link between volatility clustering and investor inertia.
_||_
