Document Type : Research Paper

Authors

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

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

Abstract

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.

Keywords

سالارزهی، حبیب‌الله، کاشی، منصور، حسینی، سیدحسن و دنیائی، محمد. (۱۳۹۱). مقایسه کارآمدی مدل‌های ARIMA و ARFIMA برای مدل‌سازی و پیش‌بینی شاخص قیمت تهران (TEPIX)، فصلنامه دانش سرمایه‌گذاری، سال اول، شماره دوم، صص ۶۳-۳۵
تیموری، محمد و رضا طالبلو (۱۳۸۹)، پویایی‌های تورم و رابطه تورم و عدم‌اطمینان اسمی با استفاده از الگوی ARFIMA-GARCH ، فصلنامه پژوهش‌های اقتصادی، سال دهم، شماره اول، صص ۱۷۰-۱۳۷
محمودی، وحید، محمدی، شاپور و چیت‌سازان، هستی. (۱۳۸۹). بررسی حافظه بلندمدت در بازارهای جهانی نفت، فصلنامه تحقیق مدل‌سازی اقتصادی، سال اول، شماره ۱، صص ۲۹-۴۸.
مشیری، سعید و مروت، حبیب. (۱۳۸۵). پیش‌بینی شاخص کل بازدهی سهام تهران با استفاده از مدل‌های خطی و غیر‌خطی، فصلنامه پژوهش‌های بازرگانی، سال دهم، شماره ۴۱، صص ۲۷۵-۲۴۵.
عرفانی، علیرضا. (۱۳۸۷). بررسی حافظة بلندمدت بودن شاخص کل قیمت بورس اوراق بهادار تهران، پژوهشنامةعلوم‌انسانیواجتماعی، سال هشتم، شمارة بیست‌و‌هشتم، صص ۷۷-۹۲.
شعرایی، سعید و ثنائی اعلم، محسن. (۱۳۸۹). بررسی وجود حافظه بلندمدت در بورس اوراق بهادار تهران و ارزیابی مدل‌هایی که حافظه بلندمدت را در‌نظر می‌گیرند، مجله پژوهش‌های حسابداری مالی، سال دوم، شماره ۴ (پیاپی ۶)، صص ۱۷۳-۱۸۹
عرفانی، علیرضا. (۱۳۸۸). پیش‌بینی شاخص کل بورس اوراق بهادار تهران با مدل ARFIMA، تحقیقاتاقتصادی، شماره ۸۶، صص ۱۶۳-۱۸۰
کشاورز حداد، غلامرضا و صمدی، باقر. (۱۳۸۸). برآورد و پیش‌بینی تلاطم بازدة در بازار سهام تهران و مقایسه دقت روش‌ها در تخمین ارزش در معرض خطر: کاربردی از مدل‌های خانواده FIGARCH، تحقیقات اقتصادی، شماره ۸۶، صص ۱۹۳-۲۳۵
 Baillie R. T., Han, Y. W. and Kwon, T-G. (2002). Further long memory properties of inflationary shocks, Southern Economic Journal, 68: 496-510
 Baillie, R., Bollerslev, T. and Mikkelsen, H. (1996). Fractionally Integrated Generalized Autoregressive Conditional Heteroskedasticity, Journal of Econometrics, 74 (1): 3–30.
 Baillie, R.T. and T. Bollerslev. (1989). the message in daily exchange rates: A conditional-variance tale, Journal of Business and Economic Statistics, 7: 297-305.
 Beine, M. and Laurent, S. (2003). Central bank interventions and jumps in double long memory models of daily exchange rates, Journal of Empirical Finance, 10: 641–660.
 Bollerslev, T. (1987). A conditional heterosedastic time series model for speculative prices and rates of return, Review of Economics and Statistics, 69: 542-547.
 Bollerslev, T. and Mikkelsen, H. O. (1996). Modeling and Pricing Long Memory in Stock Market Volatility, Journal of Econometrics, 73 (1): 151-184.
 Bormetti, G., Cisana, E. Montagna, G. and Nicrosini, O. (2007).Anon-Gaussian approach to risk measures, Physica A, 376: 532–542.
 Cheung, Y.W. (1993). Tests for fractional integration: A Monte Carlo investigation, Journal of Time Series Analysis, 14: 331-45.
 Conrad, C. and Karanosos, M. (2005). On the inflation-uncertainty hypothesis in the USA, Japan, and the UK: A dual long memory approach, Japan and the World Economy, 17: 327-343.
 Ding, Z., Granger, C. W. J. and Engle, R. F. (1993). A long memory property of stock market returns and a new model, Journal of Empirical Finance, 1: 83–106.
 Fang, H. and Lai, T.Y. (1997). Co-kurtosis and capital asset pricing, Financial Review, 32: 293-307
 Harvey, C.R. and Siddique, A. (2000). Time-varying Conditional Skewness and the Market Risk Premium, Research in Banking and Finance, 1: 25-58.
 Hosking, J. R. M. (1981). Fractional Differencing, Biometrika, 68 (1): 165-176.
 Kang, S.H., Kim, K.S. and Yoon, S.M. (2006). Dual Long Memory Properties in the Korean Stock Market, Journal of Economic Studies, 24: 259-286.