بررسی حافظه‎ی بلندمدت بورس اوراق بهادار تهران

نویسندگان

1 دانشیار دانشکده مدیریت دانشگاه تهران

2 مدرس دانشکده‎ی کارآفرینی دانشگاه تهران

چکیده

در این مقاله حافظه‎ی بازار سهام مورد تخمین و تفسیر قرار گرفته است. تخمین پارامتر تفاضل کسری با روش‎های مختلفی از جمله روش حداکثر درست‎نمایی ML، حداقل مربعات غیر خطیNLS ، نمای هرست Hurst Exponent ، جوک و پورتر- هوداکGPH ، نمای هرست تعدیل شده Modified Hurst یا لوLO ، وایتل Whittle و موجکWavelet انجام شده است. نتایج تخمین وایتل، هرست، لو و موجک بیانگر آنست که بازده‎ی شاخص‎های کل، بازده و قیمت، بازده‎ی نقدی، صنعت و مالی دارای حافظه‎ی بلندمدت می‏باشند. تخمین‏های به‎دست آمده با روش GPH بیانگر آنست که بازده‎ی تمامی شاخص‏ها به جزء شاخص بازده‎ی نقدی دارای حافظه‎ی بلندمدت می‏باشد. با توجه به معنی‏دار نبودن نتایج تخمین‏های ML و NLS در بیش‎تر بازه‏های مورد بررسی، تخمین‏های حاصل از این دو تکنیک از اعتبار کافی برخوردار نبوده و از تحلیل کنار گذاشته شدند.
نتایج حاصل از بررسی روند تغییرات حافظه نیز بیانگر آن است که پارامتر حافظه‎ی بورس اوراق بهادار تهران روند تغییر محسوسی نداشته و به عبارت دیگر طی دوره‎ی مورد بررسی، کاهش یا افزایش معنی‏داری در کارایی بازار رخ نداده است.
طبقه‏بندی JEL: C14, C32, D53

کلیدواژه‌ها


عنوان مقاله [English]

Analysing Long Run Memory in Tehran Stock Exchange

نویسندگان [English]

  • shapoor mohmad 1
  • Hasti Chitsazan 2
1
2
چکیده [English]

In this paper, we have estimated the memory of theTehran stock exchange indices. The estimation of fractional differencing parameter is carried out by various methods such as MLE, NLS, Hurst Exponent, GPH, Lo, whittle and wavelet.
The estimation results of whittle, wavelet, Hurst, and Lo methods allow us to conclude that the returns on stock indices (TEPIX, TEDPIX, TEDIX, Financial index and Industrial index) have long memory. The results obtained from GPH method show the existence of long memory in all indices of the Tehran stock market with the exception of TEDIX.
Since estimations which obtained from ML and NLS methods are not significant in almost all intervals, we do not use them for studying the trend of the market’s memory.
The results also show the memory of the Tehran stock exchange does not have an important trend . In the other words, in our study period the efficiency of the market does not show any significant changes
JEL Classifications: C14, C32, D53

کلیدواژه‌ها [English]

  • ARFIMA model
  • Fractional Differencing
  • Fractional Integration
  • Long memory
  • Stock market
  • time series