پیش‌بینی بازدهی شاخص صنعت پتروشیمی در بورس اوراق بهادار تهران با استفاده از مدل‌های ARIMA و ARFIMA

محورهای موضوعی : اقتصاد کاربردی

محسن اشراقی ¹ , فرهاد غفاری ² , تیمور محمدی ³

1 - دانشجوی کارشناسی ارشد اقتصاد، دانشگاه آزاد اسلامی، واحد علوم و تحقیقات
2 - دانشیار اقتصاد، دانشگاه آزاد اسلامی، واحد علوم و تحقیقات، تهران
3 - دانشیار اقتصاد، دانشگاه علامه طباطبایی

تاریخ دریافت : 1395/02/11 تاریخ پذیرش : 1395/11/02 تاریخ انتشار : 1395/12/01

کلید واژه: پیش بینی, میانگین متحرک خودهمبسته, میانگین متحرک خودهمبسته جزئی, صنعت پتروشیمی,

چکیده مقاله :

پیش بینی متغیرهای اقتصادی از اهمیت ویژه ای در مباحث اقتصادی برخوردار است و مدل های مختلفی جهت پیش بینی مقادیر آتی متغیرها به وجود آمده اند. یکی از مهمترین کارکردهای مدل های اقتصادی، پیش بینی مقادیر آتی متغیرهای اقتصادی می باشد. در حقیقت مدل های اقتصادی را می توان از طریق بررسی میزان دقت پیش بینی مورد آزمون قرار داد. بدین صورت که اگر یک مدل اقتصادی در تبیین روابط موجود بین متغیرها موفق باشد، باید بتواند پیش بینی صحیحی از آینده متغیرها نیز ارائه نماید. هدف اصلی این مقاله پیش بینی بازدهی شاخص یکی از مهمترین و تاثیرگذارترین صنایع کشور،صنعت پتروشیمی، است. نتایج آماری وجود حافظه بلندمدت در بازدهی این صنعت را تایید می‌کنند، لذا برای پیش بینی شاخص صنعت پتروشیمی از دو مدل اقتصادسنجی شامل ARFIMA و ARIMA استفاده شده است. به طوریکه، مدل ARFIMA با در نظر گرفتن حافظه بلندمدت و مدل ARIMA بدون در نظر گرفتن حافظه بلندمدت مدنظر قرار گرفتند. ارزیابی میزان دقت پیش بینی دو مدل مذکور با استفاده از داده‌های روزانه شاخص صنعت پتروشیمی در بوررس اوراق بهادار تهران در بازه زمانی 24/03/1384 الی 25/05/ 1394نشان می‌دهد که با تفاوت اندکی مدل ARFIMA بهتر از مدل ARIMA عمل کرده است، ولی با توجه به مشکلات برآورد ضرایب مدل ARFIMA و سادگی مدل ARIMA، این تفاوت اندک قابل چشم پوشی است و می‌توان از مدل ARIMA برای پیش بینی بازدهی صنعت پتروشیمی استفاده کرد.

منابع و مأخذ:

اندرس، ‌1389، اقتصادسنجی سری‏های زمانی با رویکرد کاربردی، جلد اول، ترجمه دکتر مهدی صادقی شاهدانی، سعید شوال پور، انتشارات دانشگاه امام صادق.

جانستون، ج.، دیناردو، ج.، 1389، روش‌های اقتصادسنجی، ترجمه: اهرابی، فریدون، خسروی‏نژاد، علی‏اکبر، انتشارات نورعلم.

عرفانی، علیرضا (1388). پیش بینی شاخص کل،  بورس اوراق بهادار تهران با مدل ARFIMA. تحقیقات اقتصادی دانشگاه تهران، دوره 86.

کشاورزحداد، غلامرضا و موسی اسمعیل زاده (1389). مدل سازی سری زمانی برای پیش بینی تلاطم در بازدهی سهام شرکت سیمان تهران ، دانشگاه تهران، مجله تحقیقات اقتصادی، تابستان.

اکبرکمیجانی، اسماعیل نادری (1391). مقایسه قابلیتهای  مدلهای مبتنی بر حافظه بلندمدت و مدلهای شبکه عصبی پویا در پیش بینی بازدهی بورس اوراق بهادار تهران.  فصل نامه علمی پژوهشی دانش مالی تحلیل اوراق بهادار، شماره پانزدهم.

مهدی صالحی، سمانه زمانی مقدم (1393). بررسی وجود حافظه بلندمدت در شاخص‌های بورس اوراق بهادار تهران و تاثیر آن بر تئوری بازار کارا از نوع ضعیف.

Barkoulas, J. T. and C.F. Baum (1996), “Long Term Dependence in StockReturns”, Economics Letters, vol. 53, no. 3, pp. 253-259.

Campbell, J. Y., A.W. Lo, and A.C. MacKinlay (1997), “The Econometricsof Financial Markets”, Princeton University Press.

Ewing, B.T. (2002), “The Transmission of Shocks among S&P Indexes”,Applied Financial Economics, vol. 12, no. 4, pp. 285-290.

Geweke, J. and S. Porter-Hudak (1983), “The Estimation and Application of Long Memory Time Series Models”, Journal of Time Series Analysis, pp. 221-238.

Granger, C. and Z. Ding (1996), “Varieties of Long Memory Models”,Journal of Econometrics, vol. 73, issue. 1, pp. 61-77.

Greene, M. and B. Fielitz (1977), “Long Term Dependence in CommonStock Returns”, Journal of Financial Economics, vol. 4, issue. 3, pp. 339-349.

Hamilton J. D. (1994), “Time Series Analysis”, (Princeton University Press)

Harris, R. (2005), “Return and Volatility Spillovers between Large andSmall Stocks in the UK”, Journal of Business Finance & Accounting,vol. 33, no. 9-10, pp. 1556-1571.

Crato, N., & PJ, D. L. (1994). Long- Range dependence in the conditionalvariance of stock returns. Econom.Letters,45(3),pp. 281-285.

Grau-Carles, P. (2000). Empirical Evidence of Long-Range Correlationsin Stock Returns. Physica A: Statistical Mechanics and itsApplications,Volume 287, Issues 3-4, pp. 396-404.

Kang, S.H., Cheong, C., Yoon, S.M.(2010). Long memory volatility inChinese stock markets, Physica A: Statistical Mechanics and its Applications, Vol. 389, Issue. 7,pp. 1425-1433