تعداد نشریات | 161 |
تعداد شمارهها | 6,573 |
تعداد مقالات | 71,037 |
تعداد مشاهده مقاله | 125,517,890 |
تعداد دریافت فایل اصل مقاله | 98,777,841 |
مدلسازی بازه بیشترین قیمت ـ کمترین قیمت سهام: رویکرد VAR همانباشته کسری (FCVAR) | ||
تحقیقات مالی | ||
دوره 26، شماره 1، 1403، صفحه 171-198 اصل مقاله (736.12 K) | ||
نوع مقاله: مقاله علمی پژوهشی | ||
شناسه دیجیتال (DOI): 10.22059/frj.2023.347510.1007379 | ||
نویسنده | ||
الهام فرزانگان* | ||
استادیار، گروه علوم اقتصادی و اجتماعی، دانشگاه بوعلیسینا ـ مجتمع آموزش عالی نهاوند (ویژه دختران)، همدان، ایران. | ||
چکیده | ||
هدف: پژوهش حاضر با استفاده از رویکرد همانباشتگی کسری، به مدلسازی سریهای زمانی بیشترین و کمترین قیمت معاملهشده سهام و سری بازه سهام میپردازد که مشخصکننده تفاضل بین بیشترین و کمترین قیمت است. همچنین، ویژگی تغییر رژیم در رابطه همانباشتگی میان سری قیمتها نیز بررسی شده است. روش: برای دستیابی به هدف پژوهش، از رویکرد خودرگرسیون برداری همانباشته کسری (FCVAR) برای شش شاخص عمده بورس اوراق بهادار تهران، یعنی شاخص کل بورس، شاخص بازار اول، شاخص بازار دوم، شاخص صنعت، شاخص مالی و شاخص کل فرابورس، با فراوانیهای زمانی مختلف، طی بازۀ 23/5/1386 تا 24/5/1401 استفاده شده است. برای آزمون ریشه واحد کسری در هر سری قیمت، از روشهای GPH و ELW نیز استفاده شده است. همچنین، فرضیه وجود حافظه بلندمدت واقعی در مقابل حافظه بلندمدت کاذب، در سریهای بازه با استفاده از رویکرد پیشنهادی کیو (2011) آزمون میشود. بهمنظور آزمون همانباشتگی آستانهای در سری بازه این شاخصها، رویکرد خودرگرسیون آستانهای خود موجود (SETAR) با تصریح دو رژیم، نیز برآورد شده است. یافتهها: در خصوص اکثر شاخصها، مقدار برآورد شده از پارامتر کسری برای سریهای بازه، در مقایسه با مقدار بهدستآمده از این پارامتر برای سریهای بیشترین و کمترین قیمت، کوچکتر است. همچنین، بیشترین و کمترین قیمتها و سری بازه آنها، از تغییرات رژیم یا روند بهطور هموار متغیر، ﻣﺘﺄثر شدهاند. بیشترین و کمترین قیمت اکثر شاخصها، در هر دو منطقه مانایی و نامانایی از بازه بیشترین قیمت ـ کمترین قیمت، همانباشته کسری هستند. بهعلاوه، رویکرد همانباشتگی کسری، معیار پایینتری را از ماندگاری درسری بازه قیمت در مقایسه با رویکرد انباشتگی کسری ارائه میدهد. این یافته نسبت به فراوانیهای زمانی مختلف روزانه، هفتگی و ماهانه، بهقوت خود باقی میماند. بهعلاوه، نتایج بر زمان متغیر بودن رابطه همانباشتگی میان سری بیشترین و کمترین قیمت سهام دلالت دارند. از این رو، در کاربردهای عملی برای بورس اوراق بهادار تهران، میبایست چارچوب FCVAR در جهت درنظر گرفتن این مشخصهها تعمیم داده شود. نتیجهگیری: نتایج تجربی نشان میدهند که برخلاف بازده که مانا و پیشبینیناپذیر است، بازه قیمت از ویژگی فرایندهای حافظه بلندمدت برخوردار است که در منطقه نامانایی، علاوهبر سطوح مانایی با رفتار برگشت به میانگین، قرار میگیرد. در نتیجه، میتوان یک تخمینزن نوسانپذیری مبتنیبر بازه نامانا را نتیجه گرفت که نسبت به تخمینزن نوسانپذیری تحققیافته مبتنیبر بازدﮤ مانا، کاراتر است. از این رو، از تخمین نوسانپذیری مبتنیبر بازه، میتوان بهعنوان جایگزینی برای تخمین نوسانپذیری شاخصهای بورس اوراق بهادار تهران و شاخص فرابورس و حتی، برای مدلسازی و پیشبینی قیمت سایر داراییها نیز استفاده کرد. این یافتهها برای معاملهگران، سرمایهگذاران و سیاستگذاران دلالت بر این دارد که میتوانند قیمتهای حدی آینده شاخصهای بازار را با استفاده از مقادیر گذشته آنها پیشبینی کنند و از این پیشبینیها برای طراحی استراتژیهای سرمایهگذاری خود بهره گیرند. وجود همانباشتگی میان بیشترین و کمترین قیمتهای شاخصها نیز بر وجود فرصتهای محدود آربیتراژ برای سرمایهگذاران و معاملهگران در بورس اوراق بهادار تهران و فرابورس ایران دلالت دارد. بهعلاوه، نتایج نشان میدهد که کارایی در این بازارها برای همه شاخصها به یک شکل نیست. با این حال، روابط بلندمدت استواری میان بیشترین و کمترین قیمت شاخصها وجود دارد. از این رو، برای طراحی استراتژیهای صندوق پوشش ریسک که دربرگیرنده ترکیبی از سهام این بازارهاست، رفتار و رابطه بلندمدت میان این شاخصها میبایست مدنظر قرار گرفته شود. همچنین، تخصیص پرتفوی و استراتژیهای متنوعسازی، نباید دربرگیرنده داراییهایی باشد که رفتار کوتاهمدت با شاخصهایی دارند که رابطه بلندمدت نشان میدهند. این یافته برمبنای این عقیده قرار دارد که قیمتگذاری نادرست و بیش پوشش ریسک میتواند در شرایط عدم وجود رابطۀ همانباشتگی میان سری قیمتها اتفاق بیفتد. | ||
کلیدواژهها | ||
انباشتگی کسری؛ بازه بیشترین قیمت ـ کمترین قیمت سهام؛ همانباشتگی آستانهای؛ همانباشتگی کسری | ||
مراجع | ||
برزینپور، فرناز؛ ابراهیمی، سید بابک؛ هاشمینژاد، سید محمد و نصر اصفهانی، حامد (1390). مقایسه دقت مدلهای فراابتکاری و اقتصادسنجی در پیشبینی سریهای زمانی مالی دارای حافظه بلندمدت (مطالعهی موردی؛ شاخص سهام صنعت سیمان در ایران). تحقیقات مالی، 13(31)، 1-22.
حسینی، علی؛ صالحی، مهدی؛ موسوی شیری، سید محمود و غلامزاده، علیرضا (1392). تخمین پارامتر انباشتگی کسری حافظه سری زمانی قیمت گروه فلزات اساسی در بورس اوراق بهادار تهران با استفاده از روشهای نوین اقتصادسنجی. بورس اوراق بهادار، 24(6)، 103-121.
دموری، داریوش و میرزاد، نگار (1397). بررسی حافظه بلندمدت در نوسانات پویا: رابطه بین بازده سهام و نرخ ارز. مدیریت دارایی و تأمین مالی، 6(3)، 147-164.
سیدحسینی، سید محمد و ابراهیمی، سید بابک (1392). مدلسازی مقایسهای سرایت تلاطم با در نظرگرفتن اثر حافظه بلندمدت (مطالعه موردی: سه شاخص منتخب صنایع). تحقیقات مالی، 15(1)، 51-74.
محمدی، شاپور و چیتسازان، هستی (1390). بررسی حافظه بلندمدت بورس اوراق بهادار تهران. تحقیقات اقتصادی، 46(4)، 207-226.
مرادی، مهدی و اسماعیلپور، مصطفی (1397). بررسی حافظه بلندمدت شاخص بورس اوراق بهادار تهران. اقتصاد پولی مالی، 25(15)، 21-48.
References Afzal, A. & Sibbertsen, P. (2021). Modeling fractional cointegration between high and low stock prices in Asian countries. Empirical Economics, 60(2), 661-682. Alizadeh, S., Brandt, M. W. & Diebold, F. X. (2002). Range‐based estimation of stochastic volatility models. The Journal of Finance, 57(3), 1047-1091. Balke, N. S. & Fomby, T. B. (1997). Threshold cointegration. International Economic Review, 38(3), 627-645. Baruník, J. & Dvořáková, S. (2015). An empirical model of fractionally cointegrated daily high and low stock market prices. Economic Modelling, 45, 193-206. Barzinpour, F., Ebrahimi, S., Hasheminejad, S. & Nasr Esfahani, H. (2011). Comparing the accuracy of the model Meta heuristic and Econometric in forecasting of financial time series with long-term memory (Case Study, Stock Index of Cement Industry in Iran). Financial Research Journal, 13(31), 1-22. (in Persian) Brandt, M. W. & Diebold, F. X. (2006). A no-arbitrage approach to range-based estimation of return covariances and correlations. The Journal of Business, 79(1), 61-74. Caporale, G. M., Gil-Alana, L. A. & Poza, C. (2020). High and low prices and the range in the European stock markets: A long-memory approach. Research in International Business and Finance, 52, 101126. Caporin, M., Ranaldo, A. & De Magistris, P. S. (2013). On the predictability of stock prices: A case for high and low prices. Journal of Banking & Finance, 37(12), 5132-5146. Cheung, Y. L., Cheung, Y. W. & Wan, A. T. (2009). A high–low model of daily stock price ranges. Journal of Forecasting, 28(2), 103-119. Cheung, Y. W. (2007). An empirical model of daily highs and lows. International Journal of Finance & Economics, 12(1), 1-20. Damoori, D. & Mirzad, N. (2018). The Study of long-Term Memory in Dynamic Volatility Relationship between Stock Returns and Exchange Rates. Journal of Asset Management and Financing, 6(3), 147-164. (in Persian) Degiannakis, S. & Floros, C. (2013). Modeling CAC40 volatility using ultra-high frequency data. Research in International Business and Finance, 28, 68-81. Diebold, F. X. & Rudebush, G. D. (1991). On the power of Dickey-Fuller tests against fractional alternatives. Economics Letters, 35, 155-160. Dolatabadi, S., Nielsen, M. Ø. & Xu, K. (2016). A fractionally cointegrated VAR model with deterministic trends and application to commodity futures markets. Journal of Empirical Finance, 38, 623-639. Engle, R. F. & Granger, C. W. (1987). Co-integration and error correction: representation, estimation, and testing. Econometrica: Journal of the Econometric Society, 55(2), 251-276. Gallant, A. R., Hsu, C. T. & Tauchen, G. E. (1999), Using daily range data to calibrate volatility diffusions and extract the forward integrated variance. Review of Economics and Statistics, 81, 617-631. Geweke, J. & Porter‐Hudak, S. (1983). The estimation and application of long memory time series models. Journal of Time Series Analysis, 4(4), 221-238. Gil-Alana, L. A. & Hualde, J. (2009). Fractional integration and cointegration: an overview and an empirical application. In T. C. Mills & Patterson (Eds.), The Palgrave Handbook of Econometrics, 2, 434-472. Hansen, B. (1999). Testing for linearity. Journal of Economic Surveys, 13(5), 551-576. He, A. W. & Wan, A. T. (2009). Predicting daily highs and lows of exchange rates: a cointegration analysis. Journal of Applied Statistics, 36(11), 1191-1204. He, Y., Wang, S. H. & Lai, K. K. (2010). Global economic activity and crude oil prices: A cointegration analysis. Energy Economics, 32(4), 868–876. Hosseini. A., Salihi, M., Mousavi Shiri, M. & Gholamzadeh, A. (2017). An estimation of fractional integration parameter in time series of prices of Metal Group by using modern econometric techniques in Tehran Stock Exchange. Journal of Securities Exchange, 6(24), 103-121. (in Persian) Hualde, J. & Robinson, P. M. (2007). Root-n-consistent estimation of weak fractional cointegration. Journal of Econometrics, 140(2), 450-484. Jayawardena, N. I., Todorova, N., Li, B., Su, J. J. & Gau, Y. F. (2022). Risk-return trade-off in the Australian Securities Exchange: Accounting for overnight effects, realized higher moments, long-run relations, and fractional cointegration. International Review of Economics & Finance, 80, 384-401. Johansen, S. & Nielsen, M. Ø. (2012). Likelihood inference for a fractionally cointegrated vector autoregressive model. Econometrica, 80(6), 2667-2732. Johansen, S. & Nielsen, M. Ø. (2016). The role of initial values in conditional sum-of-squares estimation of nonstationary fractional time series models. Econometric Theory, 32(5), 1095-1139. Johansen, S. (1995). Identifying restrictions of linear equations with applications to simultaneous equations and cointegration. Journal of Econometrics, 69(1), 111-132. Mohamadi, S. & Chitsazan, H. (2012). Analyzing long memory in Tehran Stock Exchang. Journal of Economic Research, 46(4), 207-226. (in Persian) Monge, M. & Gil-Alana, L. A. (2021). Lithium industry and the US crude oil prices. A fractional cointegration VAR and a Continuous Wavelet Transform analysis. Resources Policy, 72, 102040. Moradi, M. & Esmaeilpoor, M. (2018). Evaluating of long-term memory in Tehran Stock Exchange index. Monetary and Financial Analysis, 25(15), 21-48. (in Persian) Oloko, T. F., Ogbonna, A. E., Adedeji, A. A. & Lakhani, N. (2021). Fractional cointegration between gold price and inflation rate: Implication for inflation rate persistence. Resources Policy, 74, 102369. Parkinson, M. (1980). The extreme value method for estimating the variance of the rate of return. Journal of Business, 53(1), 61-65. Qu, Z. (2011). A test against spurious long memory. Journal of Business & Economic Statistics, 29(3), 423-438. Robinson, P. M. & Yajima, Y. (2002). Determination of cointegrating rank in fractional systems. Journal of Econometrics, 106(2), 217-241. Robinson, P. M. (1995). Log-periodogram regression of time series with long range dependence. The Annals of Statistics, 1048-1072. Salisu, A. A., Ndako, U. B., Adediran, I. A. & Swaray, R. (2020). A fractional cointegration VAR analysis of Islamic stocks: A global perspective. The North American Journal of Economics and Finance, 51, 101056. Seyedhosseini, S. & Ebrahimi, S. (2013). Comparing of Volatility Transmission Model with Consideration of Long Memory Effect; Case Study: Three Selected Industry Index. Financial Research Journal, 15(1), 51-74. (in Persian) Taylor, M. P. & Allen, H. (1992). The use of technical analysis in the foreign exchange market. Journal of International Money and Finance, 11(3), 304-314. Tong, H. (2011). Threshold models in time series analysis—30 years on. Statistics and its Interface, 4(2), 107-118. Yan, M., Chen, J., Song, V. & Xu, K. (2022). Trade friction and price discovery in the USD–CAD spot and forward markets. The North American Journal of Economics and Finance, 59, 101628. Yaya, O. S. & Gil-Alana, L. A. (2020). High and low intraday commodity prices: A fractional integration and cointegration approach. Advances in Investment Analysis and Portfolio Management, (10), 1-27. Yaya, O. S., Vo, X. V., Ogbonna, A. E. & Adewuyi, A. O. (2020). Modelling cryptocurrency high–low prices using fractional cointegrating VAR. International Journal of Finance & Economics, 27, 489-505. | ||
آمار تعداد مشاهده مقاله: 344 تعداد دریافت فایل اصل مقاله: 387 |