مدلسازی و تخمین بازده بورس اوراق بهادار تهران با استفاده از مدلهای پویا
محورهای موضوعی : اقتصاد مالی
ژیلا رستمی
1
(گروه اقتصاد، دانشگاه رازی ،کرمانشاه، ایران)
شهرام فتاحی
2
(گروه اقتصاد، دانشگاه رازی ، کرمانشاه، ایران()
کیومرث سهیلی
3
(گروه اقتصاد، دانشکده علوم اجتماعی، دانشگاه رازی، کرمانشاه، ایران)
کلید واژه: بورس اوراق بهادار, C53, شاخص بورس, واژههای کلیدی: پیشبینی, مدلهای فضاحالت طبقه بندی JEL : E37,
چکیده مقاله :
چکیدهاز زمانی که بازار سهام در قرن نوزدهم ایجاد شد بسیاری از پژوهشگران به پژوهش بر روی مدلهای پیشبینی قیمت سهام و بازده بازار تمرکز کردهاند. مدلهای پیشبینی آماری مانند ارما، اریما، آرچ، بهطور گسترده بکار برده شدهاند اما هیچکدام نتیجه مطلوب نداشتهاند؛ بنابراین اخیراً بسیاری از پژوهشگران بازار سهام را بهعنوان یک سیستم پویای غیرخطی در نظر گرفتهاند. کاربرد مدلهای غیرخطی و همچنین تکنیکهای پیشـرفته اگرچه سـالهای زیادی نیست که شروعشده است ولی در همین مدتزمان کـم توانسته است، جایگاه خود را در علوم مختلف باز کند. هدف از این مطالعه پیشبینی شاخص بورس با استفاده از مدل پویای میانگینگیری و نیز روش مدل پویای انتخابی و استفاده از دادههای فصلی سالهای 1380-1399 و بهکارگیری نرمافزار متلب میباشد. مزیت اصلی مدل مورداستفاده در مطالعه حاضر ورود تعداد زیادی متغیر مستقل به جهت پویایی آن است بدون اینکه مشکل معمول برازش بیشازحد در مدل ظاهر شود. در این مقاله اثر برخی متغیرهای کلان اقتصادی بر فرآیندِ مدلسازی و تخمین بازده سهام بورس اوراق بهادار بررسی شد. نتایج مقاله نشان داد که احتمال ورود متغیرهای رشد حجم پول، رشد شبه پول، تورم، رشد شاخص قیمت زمین درشهرهای بزرگ بیشتر از سایر متغیرهای ورودی است
AbstractSince the creation of the stock market in the nineteenth century, many researchers have focused on research into stock price forecasting models and market returns. Statistical prediction models such as Arma, Arima, Arch, have been widely used but none of them have had the desired result. Therefore, many researchers have recently considered the stock market as a nonlinear dynamic system. The application of nonlinear models as well as advanced techniques, although not many years have begun, but in a short time has been able to open its place in various sciences. The purpose of this study is to predict the stock index using the dynamic model averaging DMA and also the method of the dynamic model selective DMS and the use of quarterly data for the years 1380-1399. The main advantage of the model used in the present study is the introduction of a large number of independent variables for its dynamics without the usual problem of overfitting appearing in the model. In this paper, the effect of some macroeconomic variables on the process of modeling and forecasting stock returns on the stock exchange was investigated. The results of the article showed that the probability of entering the variables of money supply growth, quasi-money growth, inflation, land price index growth in large cities is more than other input variables.
فهرست منابع
_||_
Approach to Forecasting Daily Stock Returns in an Emerging Market. European Journal of operational research, Vol. 253, No. 3, Pp. 697-710.
Ngai, E.W.T. and M. Liu. (2014). A causal feature selection algorithm for
stock prediction modeling. Neurocomputing, No. 142, Pp. 48-59.