محسن ثنائی اعلم

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.

وجود سرایت در بازده و تلاطم دارایی های مختلف اهمیت زیادی در مطالعه کارایی بازار، انتخاب سبد دارایی و قیمت گذاری دارایی ها دارد. در این تحقیق سرایت بازده و نیز سرایت تلاطم بین سه شاخص اندازه - مرتب در بورس تهران با استفاده از یک مدل VAR-BEKK بررسی شده است. به نظر می رسد، بازده های روزانه شاخص شرکت های کوچک تر، با تاخیر، دنباله روی بازده های روزانه شاخص شرکت های بزرگ تر هستند (ویژگی تقدم - تاخر)؛ ولی چنین ویژگی در بازده های ماهانه و فصلی شاخص ها مشاهده نمی شود. در ضمن، هیچ گونه سرایتی بین تلاطم شاخص ها مشاهده نمی شود. این در حالی است که سرایت تلاطم در بسیاری از بازارهای مالی دنیا مشاهده شده است. وجود محدودیت دامنه نوسان قیمت ها و قانون حجم مبنا در دوره ی مورد مطالعه، میتواند مهم ترین دلیل مشاهده این پدیده باشد.