Abstract:
هدف: هدف این پژوهش، بررسی چگونگی عملکرد بورس اوراق بهادار تهران، بر اساس بازده روزانه در بازه زمانی سال 1387 تا سال 1397 است.روش: بازده روزانه بورس اوراق بهادار تهران را میتوان بهعنوان یک سری زمانی در نظر گرفت و با استفاده از مدلهای موجود، به تحلیل این سری زمانی پرداخت. حال با توجه به ویژگیهای توصیفی و توزیعی، مانا بودن این سری اثبات میشود، در نتیجه میتوان مدل نیمه مارکوف پنهان را که بهصورت گسترده در تحلیل و پیشبینی سریهای زمانی کاربرد دارد، برای تحلیل این سری بهکار برد. شایان ذکر است که با استفاده از این مدل، الزامی به در نظر گرفتن پیشفرضهایی مانند دو رژیمی بودن، محدود کردن دورهها به داشتن حداقل و حداکثر زمان اقامت یا سایر معیارهای محدود کننده نیست. به بیان دیگر، این مدل رژیمهای بازار و همچنین مدت زمان اقامت در هر رژیم را بهطور همزمان شناسایی میکند.یافتهها: بر اساس یافتههای آزمون کولموگروف اسمیرنف و معیارهای اطلاعات آکائیک و بیزین، تابع توزیع ترکیب گوسینی سه پارامتری، مناسبترین توزیع برای بررسی روند بازدهی شاخص کل بورس تهران و همچنین مدل نیمه مارکوف سه رژیمی، مناسبترین حالت برای مدلسازی است. بهعلاوه، بورس اوراق بهادار تهران بهطور کلی در سه حالت خرسی، گاوی و میانه قرار دارد و تعریف این حالتها و احتمال بودن در هر یک از این حالتها را میتوان بیان کرد. نتیجهگیری: بورس اوراق بهادار تهران، بیش از نیمی از زمان بررسی شده را در حالت میانه به سر برده و محتملترین حالت پس از حالتهای خرسی و گاوی ورود به حالت میانه و استمرار این حالت است و کمابیش هیچگاه از حالت خرسی مستقیماً وارد حالت گاوی نشده است. همچنین احتمال ورود از حالت میانه به حالت خرسی تقریباً سه برابر احتمال ورود از حالت میانه به حالت گاوی است.
Objective: Analyzing the behavior of Tehran Stock Market, based on the daily asset return for the duration between 1387 and 1397 has been the main aim of this research.Methods: Tehran Stock Market daily asset return can be considered as a time-series and therefore all existing models can be applied to it. Considering the distributional and temporal properties of such series, it can be shown that the series is stationary. Hence, Hidden Semi-Markov Model, which is widely used for analyzing time series, could be employed to analyze this series.Results: Based on Kolmogorov-Smirnov test and Akaike and Bayesian indices, the best density function for the series is a three parameter Gussian Mixture. Moreover, employing three-state Hidden Semi-Markov Model would be the suitable method for modeling. In addition, it was found that Tehran Stock Market followed three states namely bull, bear, and sidewalk and the definitions for such states have been given, while the probability of being in each state has also been provided.Conclusion: Tehran Stock Market was in sidewalk state around half of the analyzed duration and the luckiest state after both bear and bull states was sidewalk. The market almost never came to bull state after the bear state. Moreover, the chance of getting into bear state from sidewalk was three times more than the chance of getting into the bull market.
Machine summary:
در اين پژوهش ، پيدا کردن حالت هاي پنهان کنترل کننده بازدهي روزانه سهام بورس اوراق بهادار تهران ، در کـانون توجه قرار گرفته است و با به کارگيري مدل نيمه مارکوف پنهان ١٠ تحت سه حالت توضيحي ، براي نوسـان هـاي بـازدهي روزانه ارائه شده است .
Cesari, Espenlaub, Khurshed & Simkovic 2.
در بخش چهـارم ، ويژگـي هـاي توصيفي ، توزيعي و موقتي سري زماني بازدهي شاخص کل بورس اوراق بهادار تهران ، شامل بررسي مانايي و نامانايي ، اثر تيلور و شناخت رژيم هاي بازار بيان شده و در انتهاي اين بخـش بـا اسـتفاده از مـدل نيمـه مـارکوف پنهـان ، تعريفـي از بازارهاي خرسي ، گاوي و ميانه براي بورس اوراق بهادار تهران ارائه شده است .
نصرالهي ، رضايي و حبيبي (١٣٩٣) با استفاده از داده هاي بورس اوراق بهادار تهران از تير ماه ١٣٧١ تـا بهمـن مـاه ١٣٩١، نوسان هاي بازار سهام را مدل سازي کردند، سپس از مدل مارکوف سوئيچينگ در حالت غيرشرطي براي پيش بيني نوسان هاي بازار سهام بهره بردند و نشان دادند که براي پيش بيني نوسان هاي بازار سهام ايران ، عملکـرد مـدل مـارکوف سوئيچينگ با توزيع خطاي t با درجه آزادي بين دو رژيم ، بسيار بهتر از ساير توزيع ها خواهد بود و بـر اسـاس احتمـالات انتقال ، وقوع نوسان هاي قيمت سهام از بهبود وضعيت ممانعت مي کند و مي تواند بازار سهام را از يک وضعيت به وضعيت پايين تر منتقل کند.
Cheng, Lee & Lin 2.
پارامترهاي تابع توزيع مشاهدات پس از اجراي مدل {مراجعه شود به فایل جدول الحاقی} حالت ٣ ميانگين 0/2657 انحراف معيار 1/0534 مقدار نمونه 882 *** 7/6876 z-statistics نتايج به دست آمده نشان مي دهد که توزيع زمان متغير بازدهي ، به حالـت هـاي پنهـان بسـتگي دارد کـه مـي توانـد به عنوان شرايط بازار تفسير شود.
Decoding Chinese stock market returns: Three-state hidden semi- Markov model.