حبیب مروت

وقوع حباب های سوداگرانه در بازار مسکن تهران در مطالعات مختلف نشان داده شده است اما کمتر مطالعه ای به شناسایی علل اصلی شکل گیری حباب سوداگرانه در این بازار پرداخته است. در این مقاله تلاش می شود با ارایه یک مدل ساده برای تقاضای سوداگری بخش مسکن، نقش انتظارات ناهمگن در شکل گیری حباب سوداگرانه بررسی شود. در این مدل برخی از عوامل دارای تقاضای بی ثبات کننده یا برون یابانه می باشند ( نمودارگراها) و برخی از آنها دارای تقاضای تثبیت کننده یا برگشت به میانگین می باشند (بنیادگراها) . نتایج مدل سازی نشان می دهد که حساسیت نسبی تقاضای خریداران با انتظارات مختلف نسبت به تغییرات قیمت، و سهم نسبی آنها از کل تقاضای سوداگرانه نقش مهم و معناداری در شکل گیری حباب سوداگرانه در مسکن تهران دارند. از سوی دیگر سهم نمودارگراها از کل تقاضای سوداگرانه در طی دو دهه ی گذشته بیش از 90 درصد بوده است.

شناسایی علل اصلی شکل گیری حباب سوداگرانه در بخش مسکن به دلیل اهمیت این بخش در رشد اقتصادی، ایجاد اشتغال و رفاه خانوارها همواره مورد توجه بوده است. با وجود اینکه تقریباً توافق عمومی در مورد نقش انتطارات در شکل گیری حباب ها وجود دارد، اما مطالعات اندکی به مدلسازی آن پرداخته اند. در این تحقیق تلاش شده است تا با استفاده از رهیافت اقتصاد مبتنی بر عوامل و با فرض ناهمگن بودن انتظارات عوامل در مورد تغییرات آتی قیمت ها و وجود پویایی های اجتماعی، نحوه شکل گیری حباب و فروپاشی آن در قیمت مسکن تهران مدلسازی شود. از شاخص فصلی قیمت حقیقی مسکن تهران برای مدلسازی و شبیه سازی تجربی رونق و رکود مسکن در دوره (1387-1384) استفاده شده است. نتایج مدلسازی نشان می دهد که وجود نااطمینانی در مورد تغییرات آتی قیمت از یک سو و انتظارات ناهمگن تقاضاکنندگان مسکن در مورد آن از سوی دیگر از طریق ایجاد پویایی های اجتماعی بین تقاضا کنندگان می تواند شکل گیری حباب سوداگرانه در مسکن تهران را توضیح دهد.

تشخیص فرایند حاکم بر بازدهی های بازار سهام به منظور اخذ تصمیم بهینه و کاهش هزینه ریسک اهمیت فراوانی برای سرمایه گذاران و سیاست گذاران مالی دارد. در این تحقیق تلاش شده است تا با استفاده از بازدهی های روزانه بازار سهام تهران وجود حافظه بلندمدت، ساختار فراکتالی و پایداری در این شاخص بررسی شود. به منظور آزمون فرضیه بازار فراکتالی در بازار سهام تهران با استفاده از سه روش تحلیل R/S کلاسیک، تحلیل R/S اصلاح شده و مدل ARFIMA نمای هرست برآورد شد. با وجود اینکه در هر سه روش فرض صفر مبنی بر کارایی بازار در برابر فرض وجود حافظه بلندمدت و پایداری در داده ها رد شد، اما از آنجائی که نتایج تحلیل R/S در صورت وجود همبستگی های کوتاه-مدت دارای تورش می باشد بعد از رفع همبستگی های کوتاه مدت با استفاده از مدل ARMA، مشخص شد که بازدهی های روزانه سهام تهران دارای حافظه بلندمدت، ساختار فراکتالی و پایدار نمی باشند بلکه دارای حافظه کوتاه مدت می باشند. از آنجائی که روش R/S نمای هرست را بیش از حد برآورد می کند از شبیه سازی مونت کارلو برای تعیین مقادیر بحرانی آماره آزمون استفاده شد.

وقوع بحران مالی سال 2007میلادی، اهمیت اندازه گیری ریسک و عدم اطمینان در بازارهای مالی را بیش از پیش نمایان ساخت. یکی از مهم ترین معیارهای اندازه گیری ریسک مالی، نوسانات1 (تلاطم - تغییر پذیری) بازارهای مالی است. به منظور مدل سازی مناسب نوسانات شاخص های مالی باید ویژگی های آماری آنها تعیین شود. در این مقاله تلاش شده است تا بعد از شناسایی ویژگی های نوسانات بازده روزانه سهام در بورس اوراق بهادار تهران،با در نظر گرفتن این ویژگی ها، مدل مناسبی بر داده ها برازش شود تا بتواند رفتار این شاخص را توضیح دهد. آزمون های آماری نشان دادند که بازدهی روزانه سهام بورس اوراق بهادار تهران دارای توزیع با دنباله ضخیم بوده و از فرایند برگشت به میانگین تبعیت می کند. همچنین استفاده از مدل های TARCH، EGARCH و آزمون های آماری وجود اثرات اهرمی را تایید نکردند. بنابراین با توجه به این ویژگی ها مدل AR(2)- GARCH(1,1) به عنوان مدل مناسب برای توضیح رفتار نوسانات بازده روزانه سهام بورس اوراق بهادار تهران انتخاب شد.

پیش بینی متغیرهای اقتصادی و مالی اهمیت فراوانی برای سیاستگذاران اقتصادی کشورها دارد. در این مقاله شاخص کل بازدهی سهام تهران (TEPIX) با استفاده از داده های روزانه و هفتگی این شاخص در بازه زمانی سال 1377تا 1382 و بکارگیری روش های مختلف پیش بینی مانند مدل های ARIMA، ARFIMA، GARCH و شبکه عصبی (ANN) برآورد و پیش بینی شدند. مقایسه دقت پیش بینی مدل های مذکور از طریق معیار های پیش بینی مانند RMSE، MAE و U-Thiel نشان می دهد که مدل ANN در پیش بینی شاخص روزانه و هفتگی عملکرد بهتری نسبت به سایر مدل ها دارد، اما مقایسه آماری دقت پیش بینی مدل های مختلف با استفاده از آماره دیبلد- ماریانو، تفاوت معنی داری بین دقت پیش بینی مدل های مذکور را نشان نمی دهد.

سریهای زمانی بسیار پیچیده مانند قیمتهای بازارهای سهام معمولا تصادفی و در نتیجه، تغییرات آنها غیرقابل پیش بینی فرض می شود. در حالی که ممکن است این سریها محصول یک فرایند غیرخطی پویای معین (آشوبی) و در نتیجه قابل پیش بینی باشند. در این تحقیق، شاخصهای بازدهی روزانه و هفتگی قیمت سهام بازار بورس تهران (TEPIX) در دوره زمانی ابتدای سال 1377 تا پایان 1382 مورد آزمون قرار گرفته است تا مشخص شود که آیا این شاخصها از فرایند تصادفی پیروی می کنند یا متاثر از یک فرایند معین (آشوبی) هستند. به این منظور، از آزمونهای BDS، شبکه عصبی و بزرگترین نمای لیاپانوف استفاده شده است. آزمونهای BDS و شبکه عصبی وجود فرایند غیرخطی در پسماندهای مدلهای ARMA برازش شده بر این شاخصها را نشان دادند؛ ولی این آزمونها وجود فرایند غیرخطی در پسماندهای مدل GARCH را تایید نکردند. نتایج آزمون بزرگترین نماهای لیاپانوف که آزمون مستقیمی برای فرایندهای غیرخطی معین است دلالت بر وجود آشوب در شاخصهای بازدهی قیمت کل سهام بازار بورس تهران دارد. این نتیجه دلالت بر ناکارایی بازار سهام و در نتیجه، قابلیت پیش بینی کوتاه مدت آن دارد که می تواند یک رهنمود سیاستی مبنی بر شناخت عوامل ناکارایی بازار مانند شفاف نبودن جریان اطلاعات و اقدام در جهت رفع آنها داشته باشد. همچنین، برای مدل سازی و به ویژه پیش بینی شاخص قیمتهای سهام، استفاده از مدلهای غیرخطی به جای مدلهای معمول خطی مناسب تر است.