The difference between dimensions fractal and Fractal random walks of return index and future fall risk and systematic risk in Tehran Stock Exchange

Subject Areas : Journal of Investment Knowledge

Amir hosein Abdolmaleki ¹ (PhD student in accounting. South Tehran Branch. Islamic Azad university)
mohsen hamidian ² (Faculty member of Islamic Azad University, South Tehran Branch, Tehran, Iran)
ali baghani ³ (Faculty member of Islamic Azad University, South Tehran Branch, Tehran, Iran)

Received: 2021-07-13 Accepted : 2021-11-28 Published : 2023-06-22

Keywords: return Index, Fractal random walks, Future Fall Risk, Fractal Dimensions,

Abstract :

Financial markets can be evaluated as dynamic nonlinear systems that consider the interactions of factors in the process of immediate information analysis. Investors with different time horizons in the market may use this information differently. Thus, the financial market has a fractal structure in relation to investment time horizons. This research is of applied type and of post-event type; the method research is applicable and run based on past information. The statistical population of the study includes all companies listed in the Iranian capital market during the period 2008-2018. In this study, after calculating the fractal dimension of the experimental group using ARFIMA model and the fractal dimension and simulated Fractal random walks group using RUN test, the difference between these two dimensions in price index, return, future fall risk and systematic risk is investigated. Data analysis was performed in both 5-year and 10-year intervals using EVIEWS and SPSS software and the results indicate that the difference between dimensions fractal and f simulated Fractal random walks of the return index and the risk of future and systematic stock falls in short-term intervals means and is not significant in the long-term

References:

• افشاری، حسین (1382)، بررسی ساختاری قابلیت پیش بینی قیمت سهام در بورس اوراق بهادار تهران، بررسی های حسابداری و حسابرسی، مجله دانشکده مدیریت دانشگاه تهران، سال دهم، شماره 32 ، ص 103-126.


• اجاقی, حسین, فتحی, زاداله. (1400). طراحی و تبیین مدل پیش بینی قیمت سهام با استفاده از فرآیندهای تصادفی ( مطالعه موردی: شرکت های انبوه سازی املاک و مستغلات در بورس اوراق بهادار تهران). دانش سرمایه‌گذاری، 10(39) ،515-539


• تهرانی، رضا، انصاری، حجت‌اله و علی‌رضا سارنج (1389). بررسی وجود پدیده‌ی بازگشت به میانگین در بورس اوراق بهادار تهران، بررسی‌های حسابداری و حسابرسی، دوره‌ی ۱۵، شماره‌ی ‌‌۵۴، صص ۳۲-۱۷‌.


• رهنما رودپشتی،ف و پدرام، پ. (1391)"آنالیز فرکتالی شاخص بورس اوراق بهادار تهران به روش RS.فصلنامه علمی پژوهش دانش سرمایه گذاری.سال اول، شماره سوم.


• رهنمای رودپشتی، ف.، و کلانتری دهقی، م. (1393). "مدل‌های مولتی فرکتال درعلوم مالی: ریشه،ویژگی‌هاوکاربردهایآن‌ها". دانش مالی تحلیل اوراق بهادار، شماره 24، 47-25.


• شیرکوند، سعید، فرهنگی، علی اکبر (1387)، بررسی اثر درآمدهای نفتی بر فرآیند مدیریت اقتصاد، دانش مدیریت دوره 21، شماره 80.


• کرمی، غ و عمرانی،ح (1389)،تأثیر چرخه ی عمر شرکت و محافظـه کـاری بـر ارزش شرکت. بررسیهای حسابداری و حسابرسی، 59 :96-79


• مشیری، سعید و امیر بهداد سلامی(1388)، "شبیه سازی بازار سهام با توجه به ویژگیهای ساختاری بازار سهام تهران"، مجله پژوهشنامه اقتصادی، 32: 203-167.


• هدایتی فر لیلا، تهرانی رضا و نمکی علی (1391)، همبستگی متقابل شاخص های بورس اوراق بهادار تهران با استفاده از تحلیل چند فراکتالی همبستگی های بدون روند شده (MF-DXA)، (1391)، تحقیقات مالی دانشکده مدیریت دانشگاه تهران، دوره 14، شماره 1، ص 68-55.


• Black, E. D. (2000). Financial Market Analysis. 2nd Edition, New York: John Wiley and sons.


• P., V. Plerou., Y. liu., L. A. N. Amaral, X. Gabaix and H. E. Stanley., (2000)


• Granger, C. W. J. and Joyeux, R. (1980). An Introduction to Long Memory Time Series Models and Fractional Differencing, Journal of Time Series Analysis, 1(1): 15-29.


• Hosking, J. R. M. (1981). Fractional Differencing, Biometrika: 68(1): 165-176


• Hurst, H.E. (1951). "Long-term storage capacity of reservoirs". Transactions of the American Society of Civil Engineers. 116: 770.


• Ho, S.A., Machado, J.A.T ., Quintino, D.D., Balthazar, J.M. (2018). Partial chaos suppression in a fractional order macroeconomic model, Mathematics and Computers in Simulation, 122:55-68.


• Juan D.Díaz, Erwin Hansen, Gabriel Cabrera (2020) "Resources Policy. Volume 69, 101859


• R, Milos.C. (2020).”Multifractal Detrended Fluctuation Analysis(MF-MFA) of stock market indexes. Emprical evidence from seven central and eastern European markets.


• Mandelbrot, B. B., M. S. Taqqu(1979), ”Robust R/S analysis of long-run serial correlation“, In Proceedings of the 42nd Session of the International Statistical Institute, Manila, Bulletin of theInternational Statistical Institute. Vol.48, Book2, pp. 69-104.


• Mandelbrot, Benoit B.; Wallis, James R. (1979. "Robustness of the rescaled range R/S in the measurement of noncyclic long run statistical dependence". Water Resources Research. 5 (5): 967–988.


• Mallikarjuna, M., Rao, R.P. Evaluation of forecasting methods from selected stock market returns. Financ Innov 5, 40 (2019). https://doi.org/10.1186/s40854-019-0157-x


• Peters, E. E. (1994).” Chaos and order in the capital markets“. John Wiley &


• Shintani,M, Linton, O, (2003), IS THERE CHAOS IN THE WORLD ECONOMY? A NONPARAMETRIC TEST USING CONSISTENT STANDARD ERRORS, INTERNATIONAL ECONOMIC REVIEW VOL. 44,NO.1.


• Turcotte, D. L., 1997- Fractal and Chaos in Geology and Geophysics. Cambridge university press. Cambridge. Vicsek, T., 1992- Fractal Growth Phenomena. 2nd ed., World Scientific, Singapore 488 p.


• Thomas,F, (2016), Fractal Generalization of Thomas–Fermi Model, Institute of Applied Mathematics and Automation, ul. Shortanova 89a, Nalchik, 360000 Russia


• Zhang,F.J. (2018), "Multifiractal analysis of shanghai and Hong Kong markets before and after the connect program.


• Wallis and Roberts, "Statistics in Administration," 1965