برآورد بیزی رابطه میان تلاطم بازدهی و حجم معاملات شاخص کل بورس اوراق بهادار تهران

محورهای موضوعی : مهندسی مالی

ابراهیم حاج خان میرزای صراف ¹ , تیمور محمدی ² , محمد رضا صالحی راد ³ , رضا طالبلو ⁴

1 - گروه اقتصادمالی، دانشکده اقتصاد، دانشگاه علامه طباطبائی، تهران، ایران
2 - گروه اقتصاد، دانشکده اقتصاد دانشگاه علامه طباطبائی، تهران، ایران
3 - گروه آمار، دانشکده علوم ریاضی و رایانه دانشگاه علامه طباطبائی، تهران، ایران.
4 - گروه اقتصاد، دانشکده اقتصاد دانشگاه علامه طباطبائی، تهران، ایران

تاریخ دریافت : 1398/08/14 تاریخ پذیرش : 1398/10/22 تاریخ انتشار : 1399/01/01

کلید واژه: حجم معاملات, تلاطم بازدهی سهام, رهیافت بیزی,

چکیده مقاله :

پژوهش حاضر با هدف توسعه مدل‌سازی بیزی تلاطم بازدهی و حجم معاملات بورس اوراق بهادار تهران انجام پذیرفته است. بر این اساس، تلاطم بازدهی شاخص کل بورس اوراق بهادار تهران و حجم معاملات آن، در بازه زمانی1 اردیبهشت‌ 1394 تا 8 اسفند 1397 با تواترهای روزانه، هفتگی و ماهانه مورد بررسی قرار گرفته است. یافته‌های پژوهش نشان می‌دهد فرض همبستگی شرطی ثابت مدل CCC میان متغیرها نقض شده و مشاهده می-گردد رابطه موجود از نوع همبستگی شرطی پویا مدل DCC و منفی است که دلالت بر این واقعیت دارد با افزایش بازده، سرمایه‌گذاران به دلیل خوش بینی تمایلی چندانی به فروش سهام خود ندارند و با عدم فروش آن، موجب کاهش حجم معاملات در بازار می-گردند و برعکس. از سوی دیگر یافته‌های پژوهش نشان می‌دهد در نظر گرفتن توزیع tاستیودنت چوله برای پسماندها با دمی پهن‌تر از توزیع نرمال و اعمال چولگی، از عملکرد بهتری نسبت به سایر توزیع‌ها برخوردار است.

چکیده انگلیسی:

The purpose of this study was to develop Bayesian modeling of returns volatility and turnover volumes. On this basis, the volatility of the Tehran Stock Exchange index returns and its trading volume have been studied with daily, weekly and monthly frequencies during the period of 21 April 2015 to 27 February 2019. The research findings show that the CCC model assumption of constant conditional correlation between the variables is violated and it is observed that the existing relationship is a dynamic conditional correlation type of DCC model and a negative one which implies that with increasing returns, investors due to optimism is less reluctant to sell their stock and by failing to sell it reduces the volume of transactions in the market and vice versa. On the other hand, the research findings show that considering the skew student t distribution for errors with a wider tail than the normal distribution and skewness application, it has a better performance than the other distributions.

منابع و مأخذ:

• اکبری، نجمه، آقامحمدی، علی، (1391). تحلیل بیزی مدلهای نوسان تصادفی با استفاده از توزیع لاپلاس چوله، سومین کنفرانس ریاضیات مالی و کاربردها.


• تهرانی, رضا, بلگوریان, میثم, نبی زاده, احمد. (1387). بررسی تاثیر چولگی و کشیدگی در توصیف بازده سهام با استفاده از مدل قیمت‌گذاری. فصلنامه بورس اوراق بهادار،1(4)،35-52.


• صالحی راد، محمدرضا، حبیبی فرد، نفیسه. (1391). مقایسه مدل گزینی بیزی بر اساس روش MCMC و سری های زمانی مالی مدلGARCH، فصلنامه دانش مالی تحلیل اوراق بهادار، 3 (15)، 50-67.


• صمدی, سعید, نصرالهی, خدیجه, ثقفی کلوانق, رضا. (1388). ارزیابی پیش‌بینی‌پذیری شاخص بورس تهران. فصلنامه بورس اوراق بهادار.2(6)، 5-30.


• عباسی، ابراهیم، دهقان نیری، لیلا، پورداداش مهربانی، نازیلا. (1395). بررسی رابطۀ بین حجم معامله، بازده سهام و نوسان بازده در زمان مقیاس‏های مختلف در بورس اوراق بهادار تهران. مدیریت دارایی و تأمین مالی،4(4)، 99-114.


• کاشی، منصور، روشنف رضا، دنیایی، محمد. (1392). بررسی ارتباط علّی و همزمان بازده سهام، حجم معاملات و نوسان بازده بورس اوراق بهادار تهران: کاربردی از مدل‌های چندگانه.مهندسی مالی و مدیریت اوراق بهادار، 4(17)، 61-86.


• محمدی، شاپور، راعی، رضا، تهرانی، رضا، فیض­آباد، آرش. (1388). مدل­سازی نوسان در بورس اوراق بهادار تهران، تحقیقات مالی، 11(27)، 97-109.


• مقدس بیات، مریم، شیرین بخش، شمس اله و محمدی، تیمور. (1397). تحلیل نوسانات بورس اوراق بهادار تهران با استفاده از مدل MSBVAR-DCC. چشم­انداز مدیریت مالی. 8(22)،97-112.


• شیرین بخش ماسوله, شمس اله, صفری, سولماز. (1392). بررسی اثرات روزهای هفته بر بازده سهام الگوریتم رگرسیون حداقل میانگین مربعات (LMS). مهندسی مالی و مدیریت اوراق بهادار.4(17)، 45-59.


• شیرازیان, زهرا. (1397). بررسی دنباله بازده شاخص کل بورس اوراق بهادار تهران. مهندسی مالی و مدیریت اوراق بهادار.9(34)، 193-213.


• حنیفی, فرهاد, موسوی ایوانکی, سیدمصطفی. (1390). بررسی تأثیر عوامل فصلی و ایام مذهبی بر تغییرات شاخص. مهندسی مالی و مدیریت اوراق بهادار . 2(7)، 167-184.


• سجاد, رسول, عسگری, محسن. (1391). بررسی روند زمانی قطعی و تغییر در پایداری شاخص کل بورس اوراق بهادار تهران، مبتنی بر تحلیل بیزین و با مدل تعمیم یافته ریشه واحد تصادفی (GSTUR). مهندسی مالی و مدیریت اوراق بهادار.3(12)، 81-109.


• محفوظی, غلامرضا, اکبری, محسن, فرخنده, مهسا, ایاغ, زهرا. (1398). حجم مبادلات بازار سهام و رشد اقتصادی: نقش تعدیل گر فناوری اطلاعات و ارتباطات با توجه به توسعه‌یافتگی کشورها. مهندسی مالی و مدیریت اوراق بهادار. 10(40)،365-385.

 

• Abanto-Valle, C. A., Dey, D. K., & Lachos, V. H. (2014). Stock return volatility, heavy tails, skewness and trading volume: a Bayesian approach. Federal University of Rio de Janeiro Working Paper. p1- 29.


• Ardia, D. (2006). Bayesian Estimation of the GARCH (1, 1) Model with Normal Innovations.


• Ardia, D., & Hoogerheide, L. F. (2009). Bayesian estimation of the garch (1, 1) model with student-t innovations.


• Ardia, D., & Hoogerheide, L. F. (2010). Efficient Bayesian estimation and combination of GARCH-type models. Rethinking Risk Measurement and Reporting: Examples and Applications from Finance, 2.


• Asai, M. (2006). Comparison of MCMC methods for estimating GARCH models. Journal of the Japan Statistical Society, 36(2), 199-212.


• Azzalini, A. (2013). The skew-normal and related families (Vol. 3). Cambridge University Press.-


• Bauwens, L., & Lubrano, M. (1998). Bayesian inference on GARCH models using the Gibbs sampler. The Econometrics Journal, 1(1), C23-C46.


• Blume, L., Easley, D., & O'hara, M. (1994). Market statistics and technical analysis: The role of volume. The Journal of Finance, 49(1), 153-181.


• Bollerslev, T. (1986). Generalized autoregressive conditional heteroskedasticity. Journal of econometrics, 31(3), 307-327.


• Bollerslev, T., Engle, R. F., & Nelson, D. B. (1994). ARCH models. Handbook of econometrics, 4, 2959-3038.


• Bollerslev, T., Li, J., & Xue, Y. (2018). Volume, volatility, and public news announcements. The Review of Economic Studies, 85(4), 2005-2041.


• Bollerslev, T., Li, J., & Xue, Y. (2018). Volume, volatility, and public news announcements. The Review of Economic Studies, 85(4), 2005-2041.


• Campbell, J. Y., & Andrew, W. Lo, and A. Craig MacKinlay, (1997). The econometrics of financial markets, 2.


• Chen, C. W., & Lee, J. C. (1995). Bayesian inference of threshold autoregressive models. Journal of Time Series Analysis, 16(5), 483-492.


• Chen, G. M., Firth, M., & Rui, O. M. (2001). The dynamic relation between stock returns, trading volume, and volatility. Financial Review, 36(3), 153-174.


• Engle, R. F. (1982). Autoregressive conditional heteroscedasticity with estimates of the variance of United Kingdom inflation. Econometrica: Journal of the Econometric Society, 987-1007.


• Fernández, C., & Steel, M. F. (1998). On Bayesian modeling of fat tails and skewness. Journal of the American Statistical Association, 93(441), 359-371.


• Glosten, L. R., Jagannathan, R., & Runkle, D. E. (1993). On the relation between the expected value and the volatility of the nominal excess return on stocks. The journal of finance, 48(5), 1779-1801.


• Iqbal, F., & Triantafyllopoulos, K. (2019). Bayesian inference of multivariate rotated GARCH models with skew returns. Communications in Statistics-Simulation and Computation, 1-19.


• Lamoureux, C. G., & Lastrapes, W. D. (1990). Heteroskedasticity in stock return data: Volume versus GARCH effects. The journal of finance, 45(1), 221-229.


• Lubian, D., & Raggi, D. (2004). MCMC Bayesian estimation of a skew-GED stochastic volatility model. Studies in Nonlinear Dynamics & Econometrics, 8(2).


• Nakatsuma, T. (2000). Bayesian analysis of ARMA–GARCH models: A Markov chain sampling approach. Journal of Econometrics, 95(1), 57-69.


• Nelson, D. B. (1991). Conditional heteroskedasticity in asset returns: A new approach. Econometrica: Journal of the Econometric Society, 347-370.


• Tsay, R. S. (2005).Analysis of financial time series (Vol. 543). John wiley & sons.


• Zellner, A. (1971).An introduction to Bayesian inference in econometrics (Vol. 156). New York: Wiley

Abanto-Valle, C. A., Dey, D. K., & Lachos, V. H. (2014). Stock return volatility, heavy tails, skewness and trading volume: a Bayesian approach. Federal University of Rio de Janeiro Working Paper. p1- 29.

 Abbasi, Ebrahim, Dehghan Neiri, Leila, Pourdadash Mehrabani, Nazila. (2015). Investigating the relationship between transaction volume, stock returns and return fluctuations at different time scales in Tehran Stock Exchange. Asset Management and Financing, 4(4), 99-114.

Akbari, Najma, Agha Mohammadi, Ali, (2011). Bayesian analysis of stochastic volatility models using Laplace-Chole distribution, 3rd Conference on Financial Mathematics and Applications.

Ardia, D. (2006). Bayesian Estimation of the GARCH (1, 1) Model with Normal Innovations.

Ardia, D., & Hoogerheide, L. F. (2009). Bayesian estimation of the garch (1, 1) model with student-t innovations.

Ardia, D., & Hoogerheide, L. F. (2010). Efficient Bayesian estimation and combination of GARCH-type models. Rethinking Risk Measurement and Reporting: Examples and Applications from Finance, 2.

Asai, M. (2006). Comparison of MCMC methods for estimating GARCH models. Journal of the Japan Statistical Society, 36(2), 199-212.

Azzalini, A. (2013). The skew-normal and related families (Vol. 3). Cambridge University Press.-

Bauwens, L., & Lubrano, M. (1998). Bayesian inference on GARCH models using the Gibbs sampler. The Econometrics Journal, 1(1), C23-C46.

Blume, L., Easley, D., & O'hara, M. (1994). Market statistics and technical analysis: The role of volume. The Journal of Finance, 49(1), 153-181.

Bollerslev, T. (1986). Generalized autoregressive conditional heteroskedasticity. Journal of econometrics, 31(3), 307-327.

Bollerslev, T., Engle, R. F., & Nelson, D. B. (1994). ARCH models. Handbook of econometrics, 4, 2959-3038.

Bollerslev, T., Li, J., & Xue, Y. (2018). Volume, volatility, and public news announcements. The Review of Economic Studies, 85(4), 2005-2041.

Bollerslev, T., Li, J., & Xue, Y. (2018). Volume, volatility, and public news announcements. The Review of Economic Studies, 85(4), 2005-2041.

Campbell, J. Y., & Andrew, W. Lo, and A. Craig MacKinlay, (1997). The econometrics of financial markets, 2.

Chen, C. W., & Lee, J. C. (1995). Bayesian inference of threshold autoregressive models. Journal of Time Series Analysis, 16(5), 483-492.

Chen, G. M., Firth, M., & Rui, O. M. (2001). The dynamic relation between stock returns, trading volume, and volatility. Financial Review, 36(3), 153-174.

Engle, R. F. (1982). Autoregressive conditional heteroscedasticity with estimates of the variance of United Kingdom inflation. Econometrica: Journal of the Econometric Society, 987-1007.

Fernández, C., & Steel, M. F. (1998). On Bayesian modeling of fat tails and skewness. Journal of the American Statistical Association, 93(441), 359-371.

Glosten, L. R., Jagannathan, R., & Runkle, D. E. (1993). On the relation between the expected value and the volatility of the nominal excess return on stocks. The journal of finance, 48(5), 1779-1801.

Investigating the effect of seasonal factors and religious days on index changes. Financial engineering and securities management. 2(7), 167-184.

Iqbal, F., & Triantafyllopoulos, K. (2019). Bayesian inference of multivariate rotated GARCH models with skew returns. Communications in Statistics-Simulation and Computation, 1-19.

Kashi, Mansour, Roshanef Reza, Dunyaei, Mohammad. (2012). Investigating the causal and simultaneous relationship of stock returns, volume of transactions and fluctuation of returns of Tehran Stock Exchange: application of multiple models. Financial Engineering and Securities Management, 4(17), 61-86.

Lamoureux, C. G., & Lastrapes, W. D. (1990). Heteroskedasticity in stock return data: Volume versus GARCH effects. The journal of finance, 45(1), 221-229.

Lubian, D., & Raggi, D. (2004). MCMC Bayesian estimation of a skew-GED stochastic volatility model. Studies in Nonlinear Dynamics & Econometrics, 8(2).

Mahfovi, Gholamreza, Akbari, Mohsen, Farkhunde, Mehsa, Ayagh, Zahra. (2018). Volume of stock market transactions and economic growth: the moderating role of information and communication technology according to the development of countries. Financial engineering and securities management. 10(40), 365-385.

 Moghads Bayat, Maryam, Shirin Bakhsh, Shams Elah and Mohammadi, Timur. (2017). Analysis of Tehran Stock Exchange fluctuations using MSBVAR-DCC model. Financial management perspective. 8(22), 97-112.

Mohammadi, Shapour, Rai, Reza, Tehrani, Reza, Faizabad, Arash. (1388). Volatility Modeling in Tehran Stock Exchange, Financial Research, 11(27), 97-109.

Nakatsuma, T. (2000). Bayesian analysis of ARMA–GARCH models: A Markov chain sampling approach. Journal of Econometrics, 95(1), 57-69.

Nelson, D. B. (1991). Conditional heteroskedasticity in asset returns: A new approach. Econometrica: Journal of the Econometric Society, 347-370.

Sajjad, Rasool, Asgari, Mohsen. (2011). Investigating the definite time trend and change in the stability of the total index of Tehran Stock Exchange, based on Bayesian analysis and with the generalized stochastic unit root (GSTUR) model. Financial engineering and securities management. 3(12), 81-109.

Salehi Rad, Mohammad Reza, Habibi Fard, Nafisa. (2011). Comparison of Bayesian selection model based on MCMC method and financial time series of GARCH model, Financial Knowledge Quarterly of Securities Analysis, 3 (15), 50-67.

Samadi, Saeed, Nasralahi, Khadijah, Thaghafi Kalvanagh, Reza. (1388). Evaluation of the predictability of the Tehran Stock Exchange index. Stock Exchange Quarterly. 2(6), 5-30.

Shirazian, Zahra. (2017). Investigating the return sequence of the total index of Tehran Stock Exchange. Financial engineering and securities management. 9(34), 193-213.

Shirin Bakhsh, Masuleh, Shams Elah, Safari, Solmaz. (2012). Investigating the effects of days of the week on stock returns of least mean square (LMS) regression algorithm. Financial engineering and securities management. 4(17), 45-59.

Tehrani, Reza, Belgurian, Maitham, Nabizadeh, Ahmed. (1387). Investigating the impact of skewness and kurtosis in describing stock returns using the pricing model. Stock Exchange Quarterly, 1(4), 35-52.

Tsay, R. S. (2005). Analysis of financial time series (Vol. 543). John wiley & sons.

Zellner, A. (1971). An introduction to Bayesian inference in econometrics (Vol. 156). New York: Wiley