درخت حوزه‌های تخصصی

هدف این پژوهش، طراحی نرم افزار و بررسی قابلیت اجرای استراتژی معاملات جفتی در بازار سهام ایران است. برای بررسی این استراتژی دو شرکت سرمایه گذاری [گروه توسعه ملی (وبانک) و صنعت بیمه (وبیمه) برای سال 1391] انتخاب و اطلاعات مربوط به قیمت سهام مورد نظر از نرم افزار ره آورد نوین استخراج شد. قبل از استفاده دو سهم فوق، قابلیت جفت شدن آن ها با استفاده از آزمون های همبستگی، پایایی و روابط بلندمدت بررسی شد تا اطمینان حاصل شود که آن ها از هر لحاظ قابلیت جفت شدن را دارند. پس از طراحی نرم افزار استراتژی معاملات جفتی، قابلیت اجرایی آن برای دو شرکت موردنظر بررسی شد که نتایج حاصل نشان داد این استراتژی قابل اجرا بوده و می توان از سیگنال های آن برای خرید و فروش استفاده نمود. همچنین بررسی های این پژوهش نشان می دهد جفت سهامی بیشتر قابلیت اجرای این استراتژی را دارد که حرکات قیمتی آن ، مشابه نوسان های مقطعی (هفتگی، ماهیانه) بیشتر و دارای خاصیت بازگشت به میانگین می باشد. هر چه همبستگی بین قیمت جفت های معاملاتی و نوسان های مقطعی آن ها بیشتر باشد، قابلیت اجرای استراتژی و سودآوری آن نیز بیشتر می شود. لازم به ذکر است که برای طراحی نرم افزار از زبان برنامه نویسی C# استفاده شده است. این نرم افزار برای نخستین بار در کشور طراحی شده و استفاده از آن آسان و کاربر پسند است.

پیش بینی نوسان های آینده شاخص سهام می تواند اطلاعاتی در مورد روند آینده بازار سرمایه فراهم نماید. در این پژوهش، به منظور افزایش دقت پیش بینی شاخص بورس اوراق بهادار تهران، ترکیبی از روش های آماری و هوش مصنوعی به کار رفته است. مدل اصلی پیش بینی در این پژوهش، رگرسیون بردار پشتیبان بهینه شده به وسیله الگوریتم حرکت تجمعی ذرات می باشد. در برازش مدل رگرسیون بردار پشتیبان، سه پارامتر توضیحی وجود دارد که باید ترکیبی از این سه پارامتر توسط کاربر و به صورت آزمایش و خطا انتخاب شود تا دقت مدل را به بیشترین حد خود برساند. با توجه به زمان بر بودن و کارایی پایین انتخاب پارامتر توسط کاربر، برای انتخاب ترکیب بهینه پارامترهای مدل رگرسیون بردار پشتیبان، از روش بهینه سازی حرکت تجمعی ذرات استفاده شده است که الگوریتمی قوی در حوزه بهینه سازی می باشد. با توجه به حجم زیاد داده های ورودی به مدل برای کاهش زمان یادگیری و افزایش دقت پیش بینی، با استفاده از روش آنالیز مولفه های اصلی، پیش پردازش روی متغیرهای ورودی صورت گرفته و به مولفه های اصلی تبدبل شده است. نتایج بدست آمده نشان داد که پیش پردازش روی دادها، خطای پیش بینی مدل را به طور قابل ملاحظه ای کاهش داده است.

در این مطالعه ویژگی های حافظه بلندمدت همراه با شکست های ساختاری بازده شاخص قیمت بورس اوراق بهادار تهران مورد مطالعه قرارگرفته است. برای این منظور نخست با استفاده از روش های نیمه پارامتریک و ناپارامتریک ویژگی های حافظه بلند مدت سری زمانی مورد مطالعه در سه بازه زمانی منتهی به مهرماه 1392 بررسی شده است. نتایج حاصل از این آزمون ها حافظه بلندمدت بودن بازده بورس را برای هر سه بازه زمانی تایید می کنند. با این حال، نتایج مطالعات اخیر نشان می دهند که شواهد حافظه بلندمدت به دست آمده از آزمون های نامبرده می تواند بهعلت شکست های ساختاری موجود در سری زمانی باشد نه بهسبب وجود وابستگی های بلندمدت در آن. بنابراین همراه بامطالعه حافظه بلندمدت از آزمون شیموتسو (2006) برای بررسی صحت پارامتر حافظه بلندمدت در مقابل شکست ساختاری استفاده کرده ایم. نتایج به دست آمده از این آزمونشواهد قوی از (d)I نبودن فرآیند تولید دادهها ارائه می دهد. این نتیجه توسط آزمون اسمیت (2005) نیز مورد تائید قرار می گیرد. نتایج این آزمون نشان می دهد که برخلاف مطالعات پیشین ویژگی حافظه بلندمدت بازده شاخص قیمت بورس، حساسیت بسیاری به دوره های زمانی مورد مطالعه دارد و باید در استنباط ویژگی های حافظه بلندمدت هنگام وجود شکست ساختاری یا تغییر رژیم در سری یادشده دقت کرد. علاوه بر این موارد، احتمالاً تغییر تعاریف و محاسبات شاخص های بورس در طول زمان سبب شکست ساختاری یا انتقال سطح در این شاخص ها و سری های زمانی مرتبط با آنها خواهد شد که باید این تغییرات در تمامی مطالعات شامل سری های زمانی مورد اشاره (اعم از شاخص، بازده و نوسانات) مدنظر قرار گیرد، زیرا عدم لحاظ آنها سبب بروز خطا در نتایج نهایی خواهد شد. به عنوان نمونه، نتیجه حاصل از آزمون حافظه بلندمدت بازده تعدیل شده نسبت به تغییر تعریف شاخص TEPIX نشان می دهد که برخلاف نتایج مطالعات پیشین، سری زمانی بازده شاخص قیمت بورس فاقد حافظه بلندمدت (در بازه مورد مطالعه) است.

تاکنون به منظور طراحی مدلی مناسب برای پیش بینی بازده سهام، تلاش های بسیاری صورت گرفته است. یکی از قدیمی ترین این مدل ها، CAPM می باشد. به رغم مقبولیت نسبی، این مدل همواره به دلیل قدرت تبین کنندگی پایین و به استناد آزمون های تجربی متعددی مورد انتقاد قرار گرفته است. مدل سه عاملی فاما و فرنچ (1993) از موخرترین مدل های ارائه شده در این حوزه است. پس از ارائه این مدل، محققین دیگری سعی کرده اند با افزودن عامل (عوامل) دیگری به این مدل، قدرت توضیح دهندگی آن را افزایش دهند که معروف ترین آنها مدل چهار عاملی کارهارت می باشد که عامل مومنتوم را به مدل سه عاملی افزوده است. تحقیقات بعدی، عامل نوسان پذیری را مورد توجه قرار دادند. تحقیق حاضر در پی آزمون قدرت توضیح دهندگی مدل چهار عاملی است که با افزودن نوسان پذیری، کارکرد این مدل را در بورس اوراق بهادار تهران مورد بررسی قرار داده است. نمونه مورد بررسی شامل 95 شرکت در بازه زمانی 1381 تا 1390 می باشد. نتایج نشان می دهد، شرکت های بزرگ در مقایسه با شرکت های کوچک، شرکت های رشدی در مقایسه با شرکت های ارزشی – برخلاف نتایج تحقیقات فاما و فرنچ (1993) – دارای بازدهی بالاتری می باشند. به علاوه، شرکت های دارای انحراف معیار بالاتر بازده در مقایسه با شرکت های دارای انحراف معیار پایین، بازدهی بالاتری دارند. همچنین، افزودن عامل نوسان پذیری به مدل سه عاملی موجب افزایش معنادار در قدرت توضیح دهندگی مدل سه عاملی می گردد. و نهایتا توان تبیین کنندگی مدل چهار عاملی، تحت تاثیر اثر صنعت قرار نمی گیرد.