پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 158 |
| تعداد شماره‌ها | 6,230 |
| تعداد مقالات | 67,766 |
| تعداد مشاهده مقاله | 115,219,961 |
| تعداد دریافت فایل اصل مقاله | 89,966,701 |
پیشبینی شاخص کل بورس اوراق بهادار تهران با مدل ARFIMA | ||
| فصلنامه تحقیقات اقتصادی | ||
| مقاله 6، دوره 44، شماره 1، بهمن 1388 اصل مقاله (324.49 K) | ||
| نویسنده | ||
| علیرضا عرفانی | ||
| دانشگاه سمنان | ||
| چکیده | ||
| در این مقاله با استفاده از دادههای روزانة شاخص کل بورس اوراق بهادار تهران در دورة زمانی 6/1/1382 تا 14/4/1386، به بررسی ویژگی حافظة بلند این شاخص پرداخته و مدل ARFIMA را بر آن برازش میدهیم. همچنین عملکرد پیشبینی مدل ARFIMA را با مدل ARIMA مقایسه میکنیم. نتایج نشان میدهند که اولاٌ این سری زمانی از نوع حافظة بلند است، بنابراین میتوان با تفاضلگیری کسری آن را مانا کرد. پارامتر تفاضلگیری بهدست آمد. پس از تفاضلگیری کسری و تعیین تعداد وقفههای اجزای خودبازگشت و میاانگین متحرک مدل، شکل کلی بهصورت ، مشخص میشود. پارامترهای این مدل برای 900 داده درون نمونهای برآورد شده است و از آنها برای پیشبینی 70 دادة خارج از نمونه استفاده میشود. مقایسة عملکرد پیشبینی مدل ARFIMA با مدل ARIMA، نشان میدهد که مدل ARFIMA از قدرت پیشبینیکنندگی بالاتری برخوردار است. طبقهبندی JEL : A12 | ||
| کلیدواژه‌ها | ||
| تحلیل دامنة استاندارد شدة تغییر یافته؛ تحلیل دامنة استاندارد شده؛ حافظة بلند؛ مدل ARFIMA؛ مدل ARIMA | ||
| عنوان مقاله [English] | ||
| Forecasting of Tehran Securities Price Index Using ARFIMA Model | ||
| نویسندگان [English] | ||
| Alireza Erfani | ||
| چکیده [English] | ||
| In this paper we investigate the long memory of Tehran Securities Price Index and fit ARFIMA model using 970 daily data since 1382/1/6 until 1386/4/17. Furthermore, we compare the forecasting performance of ARFIMA and ARIMA models. The results show that the series is a long memory one and therefore it can become stationary by fractional differencing. We obtaine the fractional differencing parameter . Having done the fractional differencing and determination of the number of lags of autoregressive and moving average components, the model is specified as . We estimate the parameters of the model using 900 in-sample data and use this estimates for forecasting 70 out-sample data. Comparing forecasting performance of two models illustrate that forecasting performance of ARFIMA model is better than ARIMA model. JEL Classification: A12 | ||
| کلیدواژه‌ها [English] | ||
| Long memory, rescaled range analysis, modified rescaled range analysis, ARFIMA model, ARIMA Model | ||
|
آمار تعداد مشاهده مقاله: 3,406 تعداد دریافت فایل اصل مقاله: 3,750 |
||