FIGARCH

این مقاله ویژگی حافظه بلند مدت در نوسانات بازدهی بازار نفت را مورد بررسی قرار میدهد. برای این منظور، از انواع مدل های بلند مدت واریانس ناهمسان شرطی خودرگرسیونی شامل FIGARCH-BBM، FIGARCH-Chung، FIEGARCH، FIAPARCH-BBM و FIAPARCH-Chung و کوتاه مدت شامل GARCH، EGARCH، GJR و APARCH با سه فرض متفاوت توزیع نرمال، توزیع t- استیودنت و توزیع خطای عمومی استفاده شده است. نتایج برآوردهای تمامی مدل های بلند مدت و کوتاه مدت حاکی از وجود حافظه بلند-مدت در نوسانات بازدهی در بازار نفت است. همچنین، با توجه به معیار آکائیک، در بین مدل های بلند-مدت، بهترین عملکرد در مدل سازی نوسانات مربوط به مدل FIAPARCH-Chung با فرض توزیع t- استیودنت است. براساس معیار شوارز نیز مدل FIGARCH-Chung با فرض توزیع t بهترین مدل است. نتایج نشان می دهد در مقایسه مدل های کوتاه مدت با بلند مدت، مدل های بلند مدت با در نظر گرفتن ویژگی حافظه بلندمدت نوسانات، عملکرد بهتری را نسبت به مدل های کوتاه مدت از خود نشان می دهند. سرانجام اینکه نتایج حاکی از آن است که فرض های نامتقارن شامل توزیع t و GED فرض های مناسب تری برای جملات پسماند نسبت به فرض توزیع نرمال است.

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.

یکی از مواردی که درزمینه ی خریدوفروش سهام کمتر موردتوجه قرار گرفته شده، ارائه مدلی خودکار جهت تشکیل سبد سرمایه گذاری بوده که در طول زمان به صورت پویا عمل کرده و برحسب شرایط بازار اقدام به تصمیم گیری نماید. ازجمله معایب مطرح شده در به کارگیری تحلیل تکنیکال به عنوان یک روش تصمیم گیری جهت سرمایه گذاری در بازار سهام، عدم توجه به ریسک سرمایه گذاری و موضوع تشکیل سبد سهام می باشد. لذا مطالعه حاضر با تشخیص نقاط حداکثر و حداقل قیمتی به کمک اندیکاتورهای تکنیکال و همچنین مدل سازی ریسک به کمک روش های پیش بینی تلاطم با استفاده از مدل های شرطی GARCH و FIGARCH، به دنبال طراحی یک سیستم سبدگردان خودکار می باشد. به منظور ارزیابی سیستم طراحی شده، عملکرد این مدل در بازه زمانی یک ساله موردبررسی قرارگرفته شده است. نتایج به دست آمده نشان می دهد که مدل های طراحی شده با استفاده از FIGARCH بیش ترین بازدهی و کمترین ریسک را دارا می باشد. همچنین مقایسه مقادیر نسبت بازده به ریسک، حاکی از برتری سیستم طراحی شده پیشنهادی نسبت به سایر استراتژ ی های مدیریت سبد سهام نظیر مدل مارکویتز و استراتژی خرید و نگهداری دارایی ها می باشد.