بررسی حافظه بلندمدت دوگانه با تأکید بر توزیع چوله و دم پهن پسماندها: شواهدی از بورس اوراق بهادار تهران(مقاله علمی وزارت علوم)
حوزههای تخصصی:
پژوهش حاضر وجود حافظه بلندمدت را در بورس اوراق بهادار تهران با کاربرد مدل های GPH، GSP، ARFIMA و FIGARCH بررسی می کند. داده های مورد بررسی، حاوی بازده روزانه هستند و آزمون های حافظه بلندمدت، برای بازده و نیز برای نوسان سری TEPIX انجام شده است. نتایج مدل های GPH، GSP و ARFIMA، وجود حافظه بلندمدت را در بازده سری نشان می دهند. همچنین نتایج اشاره بر این دارند که پویایی های حافظه بلندمدت در بازده و نوسان می تواند توسط کاربرد مدل ARFIMA-FIGARCH، مدل سازی شود. نتایج این مدل شواهد قوی حافظه بلندمدت را هم در میانگین شرطی و هم در واریانس شرطی نشان می دهد. به علاوه، فرض غیرنرمال برای در بر گرفتن دم پهن و نامتقارن باقیمانده های تخمین زده شده، مناسب است. یافته ها نشان می دهند که مدل بر اساس فرض نرمال گاوسی، ممکن است برای مدل سازی خصوصیت حافظه بلندمدت مناسب نباشد. در نهایت به نظر می رسد که بازار سرمایه تهران نمی تواند به عنوان بازار کارا از لحاظ سرعت انتقال داده ها بررسی شود. از این رو، امکان کسب سودهای غیر عادی باثبات، از طریق پیش بینی قیمت سهام وجود دارد.