رفتار توده‌وار یا رمه‌ای یکی از مهم‌ترین سوگیری‌های رفتاری است که در بازارهای مالی وجود دارد و از عوامل شکل‌دهنده بحران‌های مالی است. با توجه به اینکه رفتار رمه‌ای به صورت مستقیم بر قیمت اثر می‌گذارد، از این رو پیش‌بینی قیمت بر اساس داده‌های قیمتی گذشته نشان از وجود رفتار رمه‌ای در بازار دارد. این مقاله با هدف بررسی وجود رفتار رمه‌ای در بورس اوراق بهادار تهران مدلی زمان متغیر غیرخطی نوینی به نام امتیاز خود رگرسیونی تعمیم یافته (GAS) ارائه کرده و با مدل-های غیرخطی سنتی GARCH و AR نیز قیاس شده است. در راستای پیش‌بینی بازدهی شاخص بورس اوراق بهادار تهران جهت تشخیص وجود رفتار رمه‌ای، از داده‌های قیمتی طی بازه 1390 الی 1399 استفاده شده است. توان و دقت پیش‌بینی توزیع بازدهی مدل نوین GAS با نتایج مدل‌های غیرخطی GARCH و AR در داده‌های درون و برون نمونه‌ای جهت تشخیص وجود رفتار رمه‌ای قیاس شده است. نتایج پژوهش در آزمون‌های درون و برون نمونه‌ای نشان دهنده دقت بالاتر مدل نوین GAS نسبت به مدل‌های سنتی GARCH و AR در پیش‌بینی توزیع بازدهی روزانه شاخص کل بورس اوراق بهادار تهران بوده و همچنین وجود رفتار رمه‌ای در بازار سرمایه ایران تایید شده است. پرونده مقاله

Technical analysis is one of the financial market analysis tools. Technical analysis is a method of anticipating prices and markets through studying historical market data. Based on the factors studied in this type of analysis, indicators are designed and presented to facilitate decision-making on buy and sell stress and then buy and sell action in financial markets. This research evaluates performances and returns of 10 conventional technical analysis indicators based on the strategies set on the total stock exchange index, the total index of OTC market and 8 other (non-correlated) industry indices by using Meta Trader software from 2008 to 2018. Also, the significance of the difference between the returns of the indicators is tested using the buy and hold strategy. The results show a significant difference between the returns using some of the technical analysis indicators in some indices and buy and hold strategy. The effectiveness of technical analysis strategies varies across industries and EMA and SMA with respectively 6 and 5 repetitions, are the best strategies and BB with just one repetition has the least repetition. The investment industry index with the most repetition is the industry in which the strategies used in this study have been able to provide an acceptable return. پرونده مقاله

One of the recent financial technologies is Block chain-based currency known as Cryptocurrency that these days because of their unique features has become quite popular. The first known Cryptocurrency in the world is Bitcoin, and since the cryptocurrencies market is a contemporary one, Bitcoin is currently considered as the pioneer of this market. Since the value of the previous Bitcoin prices data have a non-linear behaviour, this study aims at predicting Bitcoin price using Grey model, Back Propagation Artificial Neural Network and Integrated Model of Grey Neural Network. Then, the prediction’s accuracy of these methods will be measured using MAPE and RMSE indices and also Bitcoin price data for a five-year period (2014-2018). The results had indicated that wen estimating Bitcoin daily prices, Back Propagation Artificial Neural Network model has the lowest absolute error rate (5.6%) compared to the Grey model and the integrated model. Additionally, for the monthly prediction of Bitcoin price, the integrated model, with the lowest absolute error rate (9%), has a better performance than the two other models. پرونده مقاله

In recent decades, especially since 2000, advanced mathematical methods for financial modeling have been widely used so that the basic challenges of financial science can be overcome by using these methods. The first step in risk management in the field of investment is to calculate the variable that explains the risk accurately. One of the most widely used criteria for calculating risk is the value at risk, which has been the focus of financial researchers for the past three decades. The aim of the present study is dynamic modeling and variable time using a technique called Generalized Autoregressive Score (GAS) to estimate value at risk in TSE by using daily data since 2010 to 2020 and assuming the distribution of t-student. its results are compared with the results of known AR and GARCH models. For TSE only two models, GAS and GARCH, are suitable for estimating value at risk and GAS model is preferable. Also, the duration of risk of value at risk errors for all three models for gold and TSE lacks long-term memory, indicating its reliance on financial turmoil. پرونده مقاله

گام اول مدیریت ریسک در حوزه سرمایه‌گذاری محاسبه با دقت بالای متغیر توضیح‌دهنده ریسک می‌باشد. یکی از معیارهای محاسبه پرکاربرد ریسک ارزش در معرض ریسک است که طی سه دهه اخیر همچنان مورد توجه پژوهشگران مالی بوده است. مدل‌های پارامتریک سنتی محاسبه ارزش در معرض ریسک دارای مفروضاتی هستند که با پیچیدگی و واقعیت فعلی بازارهای مالی تطابق ندارد و از طرفی به دلیل عدم‌پویایی در بازارهای پر تلاطم از دقت کافی برخوردار نیستند. از این رو هدف پژوهش حاضر، مدلسازی پویا و زمان متغیر با استفاده از تکنیکی با نام امتیاز خودبرازشی تعمیم یافته (GAS) در جهت برآورد ارزش در معرض ریسک بیت‌کوین و طلا با استفاده از داده‌های روزانه از سال 2010 تا 2020 میلادی با فرض توزیع تی‌استیودنت انجام شده و نتایج آن با نتایج مدل‌های شناخته شده AR و GARCH مقایسه گردیده است. یافته‌ها نشان داد که برای انس جهانی طلا مدل‌های GAS، GARCH و AR در سطح خطای 5 درصد قابلیت تخمین ارزش در معرض ریسک را داشتند که از این بین مدل GAS بهترین عملکرد را داشت. برای رمزارز بیت‌کوین تنها دو مدل GAS و GARCH تخمین‌زننده مناسب ارزش در معرض ریسک می‌باشند که مدل GARCH ارجح‌تر است. پرونده مقاله

هدف: این پژوهش با هدف مدل‌سازی معیاری نوین جهت اندازه گیری ریسک در راستای رفع نقصان مدل های سنتی در حوزه مدیریت ریسک سرمایه گذاری نگاشته شده است.روش‌شناسی پژوهش: در پژوهش حاضر با هدفی کاربردی، جهت برآورد ارزش در معرض ریسک از داده های قیمتی روزانه بیت کوین (2,707 مشاهده) در سال های 2013 الی 2020 میلادی و داده های شاخص کل بورس اوراق بهادار (2,753 مشاهده) در سال های 1390 الی 1399 در دو گروه آموزش و آزمون (500 مشاهده) استفاده شده است. جهت برآورد ارزش در معرض ریسک با استفاده از روش غیرخطی و زمان متغیر خودبرازشی تعمیم‌یافته (GAS) مدل سازی با یادگیری از داده های گروه آموزش انجام شده و توسط داده های گروه آزمون دقت مدل مشخص شده است.یافته‌ها: یافته ها نشان داد که برای شاخص کل بورس تنها دو مدل GAS و GARCH تخمین زننده مناسب ارزش در معرض ریسک می باشند. از طرفی، برای رمزارز بیت کوین تنها دو مدل GAS و GARCH تخمین زننده مناسب ارزش در معرض ریسک می باشند که مدل GARCH ارجح تر است.اصالت / ارزش افزوده علمی: یافته های پژوهش نشان داد که مدل نوین GAS برآوردکننده ارجح تری برای شاخص کل بورس اوراق بهادار نسبت به مدل های غیرخطی دیگر است. علت این امر ویژگی زمان متغیر و همچنین پویایی مدل GAS است که قابلیت پاسخگویی در شرایط تلاطم بازار را بر خلاف مدل های سنتی در کوتاه مدت دارد. همچنین این نتایج منجر به کمک سرمایه گذاران و نهادهای مالی فعال، جهت مدیریت ریسک در سیستم های معاملاتی خود می باشد. پرونده مقاله