مدل سازی بازه بیشترین قیمت کمترین قیمت سهام: رویکرد VAR هم انباشته کسری (FCVAR) (مقاله علمی وزارت علوم)
درجه علمی: نشریه علمی (وزارت علوم)
آرشیو
چکیده
هدف: پژوهش حاضر با استفاده از رویکرد هم انباشتگی کسری، به مدل سازی سری های زمانی بیشترین و کمترین قیمت معامله شده سهام و سری بازه سهام می پردازد که مشخص کننده تفاضل بین بیشترین و کمترین قیمت است. همچنین، ویژگی تغییر رژیم در رابطه هم انباشتگی میان سری قیمت ها نیز بررسی شده است.روش: برای دستیابی به هدف پژوهش، از رویکرد خودرگرسیون برداری هم انباشته کسری (FCVAR) برای شش شاخص عمده بورس اوراق بهادار تهران، یعنی شاخص کل بورس، شاخص بازار اول، شاخص بازار دوم، شاخص صنعت، شاخص مالی و شاخص کل فرابورس، با فراوانی های زمانی مختلف، طی بازه 23/5/1386 تا 24/5/1401 استفاده شده است. برای آزمون ریشه واحد کسری در هر سری قیمت، از روش های GPH و ELW نیز استفاده شده است. همچنین، فرضیه وجود حافظه بلندمدت واقعی در مقابل حافظه بلندمدت کاذب، در سری های بازه با استفاده از رویکرد پیشنهادی کیو (2011) آزمون می شود. به منظور آزمون هم انباشتگی آستانه ای در سری بازه این شاخص ها، رویکرد خودرگرسیون آستانه ای خود موجود (SETAR) با تصریح دو رژیم، نیز برآورد شده است.یافته ها: در خصوص اکثر شاخص ها، مقدار برآورد شده از پارامتر کسری برای سری های بازه، در مقایسه با مقدار به دست آمده از این پارامتر برای سری های بیشترین و کمترین قیمت، کوچک تر است. همچنین، بیشترین و کمترین قیمت ها و سری بازه آن ها، از تغییرات رژیم یا روند به طور هموار متغیر، ﻣﺘﺄثر شده اند. بیشترین و کمترین قیمت اکثر شاخص ها، در هر دو منطقه مانایی و نامانایی از بازه بیشترین قیمت کمترین قیمت، هم انباشته کسری هستند. به علاوه، رویکرد هم انباشتگی کسری، معیار پایین تری را از ماندگاری درسری بازه قیمت در مقایسه با رویکرد انباشتگی کسری ارائه می دهد. این یافته نسبت به فراوانی های زمانی مختلف روزانه، هفتگی و ماهانه، به قوت خود باقی می ماند. به علاوه، نتایج بر زمان متغیر بودن رابطه هم انباشتگی میان سری بیشترین و کمترین قیمت سهام دلالت دارند. از این رو، در کاربردهای عملی برای بورس اوراق بهادار تهران، می بایست چارچوب FCVAR در جهت درنظر گرفتن این مشخصه ها تعمیم داده شود.نتیجه گیری: نتایج تجربی نشان می دهند که برخلاف بازده که مانا و پیش بینی ناپذیر است، بازه قیمت از ویژگی فرایندهای حافظه بلندمدت برخوردار است که در منطقه نامانایی، علاوه بر سطوح مانایی با رفتار برگشت به میانگین، قرار می گیرد. در نتیجه، می توان یک تخمین زن نوسان پذیری مبتنی بر بازه نامانا را نتیجه گرفت که نسبت به تخمین زن نوسان پذیری تحقق یافته مبتنی بر بازده مانا، کاراتر است. از این رو، از تخمین نوسان پذیری مبتنی بر بازه، می توان به عنوان جایگزینی برای تخمین نوسان پذیری شاخص های بورس اوراق بهادار تهران و شاخص فرابورس و حتی، برای مدل سازی و پیش بینی قیمت سایر دارایی ها نیز استفاده کرد. این یافته ها برای معامله گران، سرمایه گذاران و سیاست گذاران دلالت بر این دارد که می توانند قیمت های حدی آینده شاخص های بازار را با استفاده از مقادیر گذشته آن ها پیش بینی کنند و از این پیش بینی ها برای طراحی استراتژی های سرمایه گذاری خود بهره گیرند. وجود هم انباشتگی میان بیشترین و کمترین قیمت های شاخص ها نیز بر وجود فرصت های محدود آربیتراژ برای سرمایه گذاران و معامله گران در بورس اوراق بهادار تهران و فرابورس ایران دلالت دارد. به علاوه، نتایج نشان می دهد که کارایی در این بازارها برای همه شاخص ها به یک شکل نیست. با این حال، روابط بلندمدت استواری میان بیشترین و کمترین قیمت شاخص ها وجود دارد. از این رو، برای طراحی استراتژی های صندوق پوشش ریسک که دربرگیرنده ترکیبی از سهام این بازارهاست، رفتار و رابطه بلندمدت میان این شاخص ها می بایست مدنظر قرار گرفته شود. همچنین، تخصیص پرتفوی و استراتژی های متنوع سازی، نباید دربرگیرنده دارایی هایی باشد که رفتار کوتاه مدت با شاخص هایی دارند که رابطه بلندمدت نشان می دهند. این یافته برمبنای این عقیده قرار دارد که قیمت گذاری نادرست و بیش پوشش ریسک می تواند در شرایط عدم وجود رابطه هم انباشتگی میان سری قیمت ها اتفاق بیفتد.Modeling Stock High-Low Price Range: Fractional Cointegrating VAR Approach (FCVAR)
ObjectiveThis paper seeks to employ fractional cointegration methodology to model high and low stock prices, as well as the range series, indicating the difference between high and low stock prices. Additionally, it tries to examine the regime-switching characteristic in the cointegrating relationship between price series. MethodsThe study utilizes the Fractionally Cointegrated Vector Autoregressive (FCVAR) approach to explore the cointegrating relationships among six key indices of the Tehran Stock Exchange - TEPIX, First Market index, Second Market index, Industry index, Mali index, and Fara Bourse overall index - across various time frequencies from August 14, 2007, to August 15, 2022. To test for the fractional unit root in each price series, the GPH and ELW methods are also employed. Furthermore, the Qu (2011) method is employed to test the true long memory against spurious long memory on the range series. Finally, the threshold effect in the cointegrating relationship between the high and low price series is analyzed by the two regimes' Self-Exciting Threshold Autoregressive approach (SETAR). ResultsIn most indices, the estimated fractional parameter of the range series is lower than that of the high and low stock price indices. Moreover, the high and low prices and the range series are affected by regime changes or a smoothly varying trend. The high and low stock price indices are fractionally cointegrated, in the two levels of stationary and non-stationary ranges. Further, the fractional cointegration approach gives a lower measure of dependency in price range series than the fractionally integrated approach. These findings are robust to different time frequencies, including daily, weekly, and monthly. Finally, the results affirm the time-varying cointegrating relationship between high and low stock prices. Thus, the FCVAR framework should be generalized to adjust according to this characteristic. ConclusionThe empirical results show that, unlike the return, which is stationary and unpredictable, the range prices have characteristics of the long-memory processes, falling into non-stationary and stationary levels with mean-reverting behavior. Accordingly, one can obtain a non-stationary range-based volatility estimator, which is more efficient than a stationary return-based realized volatility estimator. These results imply that traders, investors, and policymakers could predict the future extreme prices of the market indices from past values and exploit such predictions to design investment strategies. The cointegration between high and low prices of indices implies limited arbitrage opportunities for the investors and traders in the Tehran Stock Exchange and Iran Fara Bourse Co. Furthermore, the efficiency of these markets is shown to be unstable across indices. Still, there are robust long-run relationships between the high and low stock price indices. Thus, to design hedge fund strategies containing combinations of the stocks from these markets, the behavior and long-run relations of the indices must be considered. Moreover, to design portfolio allocation and diversification strategies, one should mix assets that haven’t short-term behavior with indices that show long-term relationships. This conclusion is derived from the notion that mispricing and over-hedging may occur in the absence of cointegrating relationships between price series.
تبلیغات
