بازارهای مالی

هدف این تحقیق، برآورد یک مدل تقاضای مصرف خدمات درمانی (دارو و خدمات پاراکلینیکی) در ایران، با وجود ناهمگنی غیرقابل مشاهده در وضعیت سلامتی افراد و آزمون وجود کژگزینی و کژمنشی در این صنعت، با استفاده از آمار نمونه‎گیری بودجه خانوار ایران در سال 1385 است. مدل اصلی از روش GMM، برآورد و با استفاده از روش‎های آمار ناپارامتری، وجود این دو پدیده آزمون می شود. مدل مورد استفاده دارای کم‎ترین فرض درباره چگونگی سیاست بازپرداخت بیمه ای، توزیع وضعیت سلامت پنهان افراد و هم‎چنین انتخاب نوع بیمه است. نتایج، وجود کژگزینی را در میان بیمه شدگان خویش فرما و صاحبان حرف و مشاغل آزاد و مخاطرات اخلاقی را در میان تمام انواع بیمه درمان در ایران (کارمندان دولت، کارگران و کارفرمایان، خویش فرمایان و صاحبان حرف و مشاغل آزاد)، تایید می‎کند.

۴۰۳.

تحلیل تجربی نوسانات و کارایی اطلاعاتی بازار سهام (مطالعه موردی بورس اوراق بهادار تهران)(مقاله علمی وزارت علوم)

نویسنده: سعید راسخی امیر خانعی پور کریم آذربایجانی

منبع: پژوهش های اقتصادی ایران پاییز ۱۳۸۸ شماره ۴۰

کلید واژه ها: کارایی اطلاعاتی دنباله های سنگین نوسانات خوشه ای اثر اهرمی اثرات تقویمی توزیع خطاها ، اثر ژانویه بازار بورس اوراق بهادار تهران

حوزه های تخصصی:

حوزه‌های تخصصی اقتصاد اقتصاد مالی بازارهای مالی اطلاعات و کارایی بازار

تعداد بازدید : ۲۲۹۴ تعداد دانلود : ۱۱۲۹

با توجه به اهمیت بازار سهام به عنوان ابزاری قدرتمند در جذب وجوه پس انداز کنندگان و هدایت آن به سمت سرمایه گذاران، همچنین، ضرورت و اهمیت مدل سازی نوسانات بازده، در این پژوهش برخی از ویژگی های بازار بورس اوراق بهادار تهران را مورد بررسی قرار داده ایم. بدین منظور، با به کارگیری داده های ماهانه شاخص کل سهام در دوره زمانی 1370:01 تا 1386:06 از تکنیک واریانس ناهمسان شرطی استفاده کرده ایم. یافته های این پژوهش نشان می دهد که: 1. توزیع بازدهی دارای چولگی مثبت بوده و بر این اساس، عاملان بازار وقوع بازدهی های منفی را محتمل تر می دانند، 2. سری بازدهی فاقد توزیع نرمال و در مقایسه با منحنی نرمال کشیده تر است. بر اساس این نتیجه، عوامل بازار افزایش ها و کاهش های ناگهانی بازدهی را محتمل می دانند، 3. ماه های سال به استثنای ماه های اردیبهشت، مرداد و آذر اثر معناداری بر بازدهی ندارند، 4. فرضیه وجود کارایی اطلاعاتی رد می شود. لذا، تمام عاملان بازار به طور حرفه ای معامله نمی کنند و اطلاعات و اخبار نه به صورت آنی، بلکه با گذر زمان بر قیمت ها اثر می گذارد. در نتیجه، احتمال کسب سود و زیان نامتعارف در این بازار وجود دارد، 5. تورم، توضیح دهنده معناداری برای نوسانات بازدهی نیست؛ هرچند این اثر مثبت برآورد شده است، 6. نرخ برابری دلار به ریال اثر مثبت معناداری در ایجاد نوسانات بازدهی دارد. ضریب این متغیر احتمالاً به دلیل سهم ناچیز دلار در سبد دارایی سهامداران، کوچک برآورد شده است، 7. فرض توزیع نرمال برای باقیمانده های مدل فرض مناسبی نیست. در مقابل، توزیع t و توزیع خطای عمومی با لحاظ کردن کشیدگی مازاد، فروض مناسب تری هستند.

۴۰۴.

جزییات بررسی فقهی معاملات آتی و اختیاز

مصاحبه شونده: انسیه موسویان

منبع: بورس کالا سال سوم شهریور ۱۳۸۸ شماره ۲۶

حوزه های تخصصی:

تعداد بازدید : ۱۵۲۹ تعداد دانلود : ۱۰۷۱

۴۰۵.

بررسی تحولات جهانی طلای سیاه

منبع: بورس کالا سال سوم مهر و آبان ۱۳۸۸ شماره ۲۷ و ۲۸

حوزه های تخصصی:

حوزه‌های تخصصی اقتصاد اقتصاد مالی بازارهای مالی قیمت گذاری دارائی،حجم مبادله،نرخ های بهره اوراق قرضه

تعداد بازدید : ۷۱۰ تعداد دانلود : ۳۷۸

۴۰۶.

پیش بینی قیمت سهام در بازار بورس اوراق بهادار با استفاده از شبکه عصبی فازی و الگوریتم های ژنتیک و مقایسه آن با شبکه عصبی مصنوعی(مقاله علمی وزارت علوم)

نویسنده: سید امیرحسین منجمی مهدی ابزری علیرضا رعیتی شوازی

منبع: اقتصاد مقداری پاییز ۱۳۸۸ شماره ۳ (پیاپی ۲۲)

کلید واژه ها: پیش بینی شبکه های عصبی فازی قیمت سهام الگوریتم های ژنتیک

حوزه های تخصصی:

تعداد بازدید : ۵۶۸۶ تعداد دانلود : ۲۵۷۷

سرمایه گذاری در سهام عرضه شده در بورس اوراق بهادار یکی از گزینه های پرسود در بازار سرمایه است. بازار سهام دارای سیستمی غیر خطی و آشوب گونه است که تحت تاثیر شرایط سیاسی، اقتصادی و روانشناسی می باشد و می توان از سیستم های هوشمند غیرخطی همچون شبکه های عصبی مصنوعی، شبکه های عصبی فازی و الگوریتم های ژنتیک برای پیش بینی قیمت سهام استفاده نمود. در این مقاله به طراحی و ارایه یک مدل پیش بینی قیمت سهام با استفاده از شبکه عصبی فازی و الگوریتم های ژنتیکی و کاهش خطای پیش بینی قیمت سهام با استفاده از آن نسبت به استفاده از تکنیک شبکه عصبی مصنوعی به صورت منفرد پرداخته شده است. در ادامه پس از طراحی و پیاده سازی مدل شبکه های عصبی فازی و الگوریتم های ژنتیک، با استفاده از چهار معیار سنجش خطا، نتایج دو مدل مقایسه شده است. نتایج نشان می دهد که مدل ترکیبی شبکه های عصبی فازی و الگوریتم های ژنتیک پیش بینی های بسیار مناسب تری داشته و نسبت به شبکه عصبی منفرد از سرعت بالاتر و توانایی تقریب قوی تری برای پیش بینی قیمت سهام برخوردار بوده است.

۴۰۷.

رآورد و پیشبینی تلاطم بازدهی در بازار سهام تهران و مقایسه دقت روش ها در تخمین ارزش در معرض خطر: کاربردی از مدلهای خانوده FIGARCH(مقاله علمی وزارت علوم)

نویسنده: غلامرضا کشاورز حداد باقر صمدی

منبع: تحقیقات اقتصادی بهار ۱۳۸۸ شماره ۸۶

کلید واژه ها: ARFIMA ارزش در معرض خطر حافظه بلند مدت مدل‎های GARCH شاخص قیمت بورس تهران

حوزه های تخصصی:

حوزه‌های تخصصی اقتصاد اقتصاد مالی بازارهای مالی پیش بینی های مالی

تعداد بازدید : ۲۳۱۷ تعداد دانلود : ۱۱۰۱

پیش بینی تلاطم یکی از مهم‎ترین موضوعات مورد مطالعه ریسک در بازارهای مالی است. در تحقیق حاضر ابتدا با استفاده از روش‎های GARCH، تلاطم موجود با استفاده از 1467 داده روزانه برای شاخص قیمت بورس تهران برآورد شده و بهترین مدل‎ها در تخمین و پیش بینی تلاطم برای توزیع نرمال و توزیع تی- استیودنت نتیجه شده است. با توجه به وجود علائم حافظه بلندمدت برای تبیین میانگین شرطی، از مدل ARFIMA و برای واریانس شرطی، در کنار مدل‎های با حافظه کوتاه مدت، از مدل با حافظه بلندمدت FIGARCH استفاده شده است. برای انجام پیش بینی در دوره خارج از دوره نمونه، مدل ARFIMA-FIGARCH با توزیع نرمال، دقیق‎ترین مدل بوده و نتایج بهتری را ارائه می‎دهد. یکی از روش‎های مطرح در بررسی ریسک‎ها و مدیریت ریسک، تخمین VaR یا ارزش در معرض خطر است. مقایسه مدل‎ها نشان می‎دهد که در سطوح اطمینان متفاوت برای تخمین ارزش در معرض خطر، مدل‎های مختلف نتایج متفاوتی می‎دهند، ولی می توان گفت مدل FIGARCH در سطح معنی داری 5/2٪ بهترین عملکرد را در میان مدل‎های GARCH دارد.

۴۰۸.