بررسی وجود حافظه بلندمدت در بورس اوراق بهادار تهران و ارزیابی مدل هایی که حافظه بلندمدت را در نظر می گیرند(مقاله علمی وزارت علوم)
حوزه های تخصصی:
طی دهه گذشته، فرآیندهای با حافظه بلند مدت، بخش مهمی از تجزیه و تحلیل سریهای زمانی را به خود اختصاص دادهاند. وجود حافظه بلند مدت در بازده داراییها کاربردهای مهمی در بررسی کارایی بازار، قیمتگذاری اوراق مشتقه و انتخاب سبد دارایی دارد. در این تحقیق، ابتدا وجود حافظه بلند مدت در سری زمانی بازده و نوسانها ی شاخص کل بورس اوراق بهادار تهران بررسی شده است. نتایج آزمونهای آماری، وجود حافظه بلندمدت را در بازده و نوسانها ی شاخص کل بورس اوراق بهادار تهران تا سطح اطمینان بالایی تایید میکنند. در ادامه، دقت پیشبینی مدلهایی که ویژگی حافظه بلندمدت را در نظر نمیگیرند، ARMA و GARCH ، با مدلهای مشابهی که این ویژگی را درنظر میگیرند، ARFIMA و FIGARCH ، به روش پنجره غلتان در بازههای زمانی مختلف مقایسه شده است. نتایج این مطالعه نشان میدهد مدل نسبتا ساده ARMA ، در مقایسه با سایر مدلها، بهتر میتواند بازده یک روز بعد شاخص را پیشبینی کند؛ اما در پیشبینی بازده شاخص برای دورههای هفتگی، ماهانه، فصلی و ششماهه، مدل FIGARCH همواره پیشبینیهای دقیقتری ارایه کرده است.