نوع مقاله : مقاله پژوهشی

نویسندگان

• محمدجواد محقق نیا ¹
• منصور کاشی ²
• علیرضا دلیری ³
• محمد دنیایی ³

¹ استادیار گروه بانکداری اسلامی، دانشکده مدیریت و حسابداری، دانشگاه علامه طباطبائی، تهران، ایران

² کارشناس ارشد مدیریت بازرگانی- مالی، دانشکده مدیریت و حسابداری، دانشگاه سیستان و بلوچستان، زاهدان، ایران

³ دانشجوی دکتری مدیریت مالی، دانشکده مدیریت و حسابداری، دانشگاه علامه طباطبائی، تهران، ایران

چکیده

پژوهش حاضر وجود حافظه بلندمدت را در بورس اوراق بهادار تهران با کاربرد مدل‌های GPH، GSP، ARFIMA و FIGARCH بررسی می‌کند. داده‌های مورد‌بررسی، حاوی بازده روزانه هستند و آزمون‌های حافظه بلندمدت، برای بازده و نیز برای نوسان سری TEPIX انجام‌شده‌است. نتایج مدل‌های GPH، GSP و ARFIMA، وجود حافظه بلندمدت را در بازده سری نشان می‌دهند. همچنین نتایج اشاره بر‌این دارند که پویایی‌های حافظه بلندمدت در بازده و نوسان می‌تواند توسط کاربرد مدل ARFIMA-FIGARCH، مدل‌سازی شود. نتایج این مدل شواهد قوی حافظه بلندمدت را هم در میانگین شرطی و هم در واریانس شرطی نشان می‌دهد. به‌علاوه، فرض غیرنرمال برای در‌بر‌گرفتن دم پهن و نامتقارن باقیمانده‌های تخمین زده‌شده، مناسب است. یافته‌ها نشان می‌دهند که مدل بر‌اساس فرض نرمال گاوسی، ممکن است برای مدل‌سازی خصوصیت حافظه بلندمدت مناسب نباشد. در نهایت به‌نظر می‌رسد که بازار سرمایه تهران نمی‌تواند به‌عنوان بازار کارا از لحاظ سرعت انتقال داده‌ها بررسی شود. از‌این‌رو، امکان کسب سودهای غیر‌عادی باثبات، از طریق پیش‌بینی قیمت سهام وجود دارد.
 

کلیدواژه‌ها

• : حافظه بلندمدت
• ARFIMA
• FIGARCH
• توزیع چوله Student-t
• بورس اوراق بهادار تهران

20.1001.1.22518029.1393.12.33.7.9

عنوان مقاله [English]

Evaluation of Dual Long Memory Properties with Emphasizing the Skewed and Fat-Tail Distribution: Evidence from Tehran Stock Exchange

نویسندگان [English]

• Mohammad Javad Mohagheghnia ¹
• Kashi Mansoor ²
• Alireza Daliri ³
• Mohammad Donyaei ³

¹ * Assistant Professor of Islamic Banking Department, Faculty of Management and Accounting, Allameh Tabataba’i University, Tehran, Iran

² MA in Business-Financial Management, Faculty of Management and Accounting, Sistan and Bluchestan University, Zahedan, Iran

³ *** PhD Student of Financial Management, Faculty of Management and Accounting, Allameh Tabataba’i University, Tehran, Iran

چکیده [English]

This paper investigates the presence of long memory in the Tehran stock market, using the ARFIMA, GPH, GSP and FIGARCH models. The data set consists of daily returns, and long memory tests are carried out both for the returns and volatilities of TEPIX series. Results of the GPH, GSP and ARFIMA models indicate the existence of long memory in return series. Also, suggest that long memory dynamics in the returns and volatility might be modeled by using the ARFIMA–FIGARCH model. Furthermore, results of this model shoes the strong evidence of long memory, both in conditional mean and conditional variance. In addition, the assumption of non-normality is appropriate for capturing the asymmetry and tail fatness of estimated residuals. These findings suggest that the model based on the Gaussian normality assumption may be inappropriate for modeling the long memory property. Finally, it seems that the Tehran Stock Exchange (TSE) cannot be considered an efficient market in terms of the speed of information transmission. Hence, speculative earnings could be gained via predicting stock prices.

کلیدواژه‌ها [English]

• Long memory
• ARFIMA
• FIGARCH
• Skewed Student’s t-Distribution
• Tehran Stock Exchange (TSE)