![سامانه نشر مجلات علمی دانشگاه تهران](./data/logo.png)
تعداد نشریات | 162 |
تعداد شمارهها | 6,578 |
تعداد مقالات | 71,076 |
تعداد مشاهده مقاله | 125,705,819 |
تعداد دریافت فایل اصل مقاله | 98,940,319 |
مدلسازی بازارهای مالی با استفاده از فرایند ارنشتاین اولنبگ ترکیبی با نویز لوی | ||
تحقیقات مالی | ||
دوره 23، شماره 3، 1400، صفحه 404-418 اصل مقاله (600.75 K) | ||
نوع مقاله: مقاله علمی پژوهشی | ||
شناسه دیجیتال (DOI): 10.22059/frj.2021.314584.1007105 | ||
نویسندگان | ||
مینا محمدی1؛ پریسا نباتی* 2 | ||
1کارشناس ارشد، گروه ریاضی کاربردی، دانشگاه صنعتی ارومیه، ارومیه، ایران. | ||
2استادیار، گروه ریاضی کاربردی، دانشگاه صنعتی ارومیه، ارومیه، ایران. | ||
چکیده | ||
هدف: پیشبینی بازارهای مالی همواره برای فعالان اقتصادی حائز اهمیت بوده است. هدف اصلی این مقاله، ارائه مدل توسعهیافته جدید برای مدلسازی بازارهای مالی با استفاده از فرایند ارنشتاین اولنبک ترکیبی با نویز لوی است. با استفاده از قیمتهای بسته شده بازارهای سهام، میتوان نتیجه گرفت که مدل تصادفی ارنشتاین اولنبک با پارامترهای وابسته به زمان، بهطور شایان توجهی عملکرد پیشبینی قیمت سهام را بهبود میبخشد. روش: ابتدا به بررسی معادله دیفرانسیل تصادفی که از فرایندهای مستقل ارنشتاین اولنبک تشکیل شده است، پرداخته شد. این فرایندها را از طریق فرایند گاما استخراج کردیم، از این رو، آن را فرایند ارنشتاین اولنبک گاما مینامیم که کلاسی از فرایندهای زمان پیوسته لوی است و رفتاری با حافظه بلندمدت دارد. برآورد پارامترهای مدل با استفاده از روش حداکثر درستنمایی صورت گرفته است. یافتهها: برای نشاندادن کارایی مدل ارائه شده، برخی از بازارهای سهام ایران، مانند شرکتهای سیمان ارومیه، سایپا آذین و پالایش نفت تهران، بهصورت عددی شبیهسازی شدند. پارامترهای فرایند ارنشتاین اولنبک با نویز گاما با استفاده از دادههای واقعی برآورد شد. نتیجهگیری: نتایج عددی نشان داد که نوسان پیشبینیشده این شرکتها به نوسان شبیهسازیشده نزدیک است و در آن دینامیک نوسان از مدلی خودهمبسته پیروی میکند. مزیت روش یادشده این است که برآوردهای بهدستآمده در اطراف مقدار واقعی پایدارند، از این رو الگوریتم تخمین برای مجموعه دادههای بزرگ امکانپذیر بوده و از خصوصیت همگرایی خوبی برخوردار است. | ||
کلیدواژهها | ||
بازارهای مالی؛ فرایند لوی؛ مدل ارنشتاین اولنبک؛ نوسانهای تصادفی | ||
مراجع | ||
جنابی، امید؛ دهمره قلعه نو، نظر (1398). قیمتگذاری اوراق تبعی با استفاده از مدل هستون کسری پرشی. تحقیقات مالی، 21(3)، 392-416.
حسینی ابراهیم آباد، سید علی؛ حیدری، حسن؛ جهانگیری، خلیل؛ قائمی اصل، مهدی (1398). استفاده از رویکرد بیزی برای مطالعه همبستگی متغیر با زمان میان شاخصهای منتخب بورس اوراق بهادار تهران. تحقیقات مالی، 21(1)، 59-78.
راعی، رضا؛ باجلان، سعید؛ عجم، علیرضا (1400). بررسی کارایی مدل 1/N در انتخاب پرتفوی. تحقیقات مالی، 23(1)، 1-16.
راعی، رضا؛ باسخا، حامد؛ مهدیخواه، حسین (1399). بهینهسازی سبد سهام با استفاده از روش Mean-CVar و رویکرد ناهمسانی واریانس شرطی متقارن و نامتقارن. تحقیقات مالی، 22(2)، 149-159.
رحمانی، مرتضی؛ جعفریان، ناهید (1396). بررسی مدل بلک شولز کسری با توان هرست روی اختیار معامله اروپایی با هزینههای معاملاتی. مهندسی مالی و مدیریت اوراق بهادار، 8(32)، 43-62.
فرنوش، رحمان؛ نباتی، پریسا؛ عزیزی، معصومه (1395). شبیهسازی و پیشبینی قیمت نفت اوپک با استفاده از معادلات دیفرانسیل تصادفی. پژوهشهای نوین در ریاضی، 2(7)، 21-30.
نیسی، عبدالساده؛ پیمانی، مسلم (1393). مدل سازی شاخص کل بورس اوراق بهادار تهران با استفاده از معادله دیفرانسیل تصادفی هستون. پژوهشنامه اقتصادی، 14(53)، 143-166.
ولیدی، جواد؛ نجفی، امیرعباس؛ ولیدی، علیرضا (1399). انتخاب برخط سبد سرمایهگذاری به کمک الگوریتمهای تبعیت از بازنده. تحقیقات مالی، 22(3)، 408-427.
References Barlev, S., Bshouty, D. & Letac, G. (1992). Natural exponential families and selfdecomposability, Statistics and probability letters, 13, 147-152. Barndorff-Nielsen, O. & Shephard, N. (2000). Financial volatility, Lévy processes and power variation. Barndorff-Nielsen, O. & Shephard, N. (2001). Non-Gaussian Ornstein - Uhlenbeck-based models and some of their uses in financial economics. Journal of the Royal Statistical Society, 63, 167-241. Breidt, C. & Lima, D. (1998). The detection and estimation of long memory in stochastic volatility models, J. Econometrics, 83, 325-348. Brockman, P. & Chowdhury, M. (1997). Deterministic versus stochastic volatility: implications for option pricing models. Applied Financial Economics, 7, 422-505. Comte, F. & Renault, E. (1998). Long memory in continuous time stochastic volatility models. Mathematical Finance, 8(4), 291-323. Cufaro-Petroni, N. & Sabino, P. (2017). Coupling Poisson processes by self-decomposability. Mediterranean J Math. 14(2):69. Franoosh, R., Nabati, P. & Azizi, M. (2016). Simulating and Forecasting OPEC Oil Price Using Stochastic Differential Equations, Journal of new researches in mathematics, 2(7), 21-30. (in Persian) Grigoriu, M. (2002). Stochastic Calculus, Springer. Harvey, A. C. (1998). Long-memory in stochastic volatility. Butterworth - Heinemann, 307- 320. Hoseini Ebrahimabad, S. A., Heydari, H., Jahangiri, Kh., Ghaemi Asl, M. (2019). Using Bayesia Approach to Study the Time Varying Correlation among Selected Indices of Tehran Stock Exchange. Financial Research Journal, 21(1), 59-78. (in Persian) Jenabi, O. & Dahmarde Ghaleno, N. (2019). Subordinate Shares Pricing under Fractional-Jump Heston Model. Financial Research Journal, 21(3), 392- 416. (in Persian) Jurek, Z. J. & Vervaat, W. (1983). An integral representation for self decomposable Banach space valued random variables, Zeitschrift für Wahrscheinlichkeisheorie and verwandte Gebiete, 62, 247-262. Mariani, M., Masum, B. & Tweneo, O. (2018). Estimation of stochastic volatility by using Ornstein–Uhlenbeck type models. Physica A: Statistical mechanics and its application, 491, 167-176. Nisi, A. & Peymani, M. (2014). Modeling the index of Tehran Stock Exchange using Heston's stochastic differential equation. Economic Research, 14 (53), 166-143. (in Persian) Oksendal, B. (2010). Stochastic Differential Equations: An Introduction with Applications, Springer-Verlag, Heidelberg, New York. Raei, R., Bajalan, S. & Ajam, A. (2021). Investigating the Efficiency of the 1/N Model in Portfolio Selection. Financial Research Journal, 23(1), 1-16. (in Persian) Raei, R., Basakha, H. & Mahdikhah, H. (2020). Equity Portfolio Optimization Using Mean-CVaR Method Considering Symmetric and Asymmetric Autoregressive Conditional Heteroscedasticity. Financial Research Journal, 22(2), 149-159. (in Persian) Rahmani, M., Jafarian, N. (2017). Survey on fractional Black-sholes with hurst exponent on European option with transaction cost. Financial Engineering and Portfolio Management. 8(32), 43-62. (in Persian) Rao, J. & Taufer, E. (2019), Semi-parametric estimation of the autoregressive parameter in non-Gaussian Ornstein–Uhlenbeck processes. Communications in Statistics - Simulation and Computation, 1-23. Rubio, F. J. & Johansen, A. M. (2013). A simple approach to maximum intractable likelihood estimation. Electronic Journal of Statistics, 7, 1632-1654. Sabino, P. & Petroni, N. C. (2020). Gamma-related Ornstein–Uhlenbeck processes and their simulation. Journal of Statistical Computation and Simulation, 91(6), 1108-1133. Spiliopoulos, K. (2009). Method of Moments Estimation of Ornstein-Uhlenbeck Processes Driven by General Levy Process. ANNALES de l’I.S.U.P., 53, 3-19. Taylor, S. (1992). Financial returns modeled by the product of two stochastic processes, A study of daily sugar prices, Time Series Analysis: Theory and Practice, 1, 203-226. Tweneboah, O. K. (2015). Stochastic differential equation applied to high frequency data arising in geophysics and other disciplines. ETD Collection for University of Texas, El Paso Paper AA11600353. Valdivieso, L., Schoutens, W., & Tuerlinckx, F. (2009). Maximum likelihood estimation in processes of Ornstein-Uhlenbeck type, Stat Infer Stoch Process, 12, 1-19. Validi, J., Najafi, A. A., & Validi, A. (2020). Online Portfolio Selection Based on Follow-the-Loser Algorithms. Financial Research Journal, 22(3), 408-427. (in Persian) | ||
آمار تعداد مشاهده مقاله: 900 تعداد دریافت فایل اصل مقاله: 613 |