دوره 11، شماره 41 - ( 7-1399 )
سال11 شماره 41 صفحات 229-197 |
برگشت به فهرست نسخه ها
1- دانشگاه یزد
2- دانشگاه یزد ، nmakiyan@yazd.ac.ir
2- دانشگاه یزد ، nmakiyan@yazd.ac.ir
چکیده: (2617 مشاهده)
تلاطم معیار اندازه‌گیری عدم قطعیت است که در نظریه‌های مالی، مدیریت ریسک و قیمت‌گذاری اختیارات نقشی اساسی دارد. تلاطم، واریانس شرطی تغییرات قیمت‌های دارایی است که به‌طور مستقیم قابل مشاهده نیست و متغیری پنهان تلقی می‌شود که با استفاده از برخی تقریب‌ها به طور غیرمستقیم محاسبه می‌شود. دو رویکرد عمومی در ادبیات اقتصاد مالی جهت مدل‌سازی و محاسبه تلاطم ارائه شده است. در رویکرد اول، واریانس شرطی به عنوان تابعی از مربع شوک‌های گذشته‌ی بازده دارایی مدل‌سازی می‌شود. مدل‌های نوع GARCH در این طبقه جای می‌گیرند. در رویکرد جایگزین، تلاطم همچون یک متغیر تصادفی فرض می‌شود که با استفاده از الگوهای غیرخطی فضای حالت گوسی تحول می‌یابد. این نوع از مدل‌ها با عنوان تلاطم تصادفی (SV) شناخته می‌شوند. به دلیل آنکه مدل‌های SV شامل دو نوع فرآیند نوفه، یکی برای مشاهدات و یکی برای تلاطم پنهان، هستند در محاسبه تلاطم نسبت به الگوهای GARCH واقعی‌تر و منعطف‌تر می‌باشند. پژوهش حاضر به مدل‌سازی تلاطم در بازده سهام 50 شرکت فعال بورس تهران با استفاده از روش‌های متقارن و نامتقارن تلاطم تصادفی می‌پردازد که تفاوت آنها در وجود اثر اهرمی است. مقایسه تجربی این دو مدل با محاسبه احتمال پسین صحت هر مدل با استفاده از روش بیزی MCMC نشان دهنده برتری چشم‌گیر مدل نامتقارن ASV است. نتایج در هر دو مدل متقارن و نامتقارن نشان دهنده پایداری بسیار بالای امواج تلاطمی تولید شده توسط شوک‌های وارد آمده بر بازده سهام است. لذا، تغییرات بازده بازار بورس تهران به دلیل این پایداری بالا پیش‌بینی پذیر خواهد بود.
نوع مطالعه: كاربردي |
موضوع مقاله:
پولی و مالی
دریافت: 1398/12/16 | پذیرش: 1399/9/1 | انتشار: 1399/10/21
دریافت: 1398/12/16 | پذیرش: 1399/9/1 | انتشار: 1399/10/21
فهرست منابع
1. Adabi firouzjaee B, Mehrara M, Mohammadi S. Estimation and Evaluation of Tehran Stock Exchange Value at Risk Based on Window Simulation Method. jemr. 2016; 6 (23) :35-73(in Persian) [DOI:10.18869/acadpub.jemr.6.23.35]
2. Behradmehr N, mehrara M, mazraati M, dadafarid H. Forecasting Risk Premium in Crude Oil futures Market with BVAR. jemr. 2017; 8 (29) :7-35(in Persian) [DOI:10.29252/jemr.8.29.7]
3. Bollerslev, T. (1986). Generalized Autoregressive Conditional Heteroskedasticity. Journal of Econometrics, 31(3), 307-327. [DOI:10.1016/0304-4076(86)90063-1]
4. Bollerslev, T., Engle, R.F. and Nelson, D.B. (1994). ARCH Models, in R.F. Engle and D. McFadden (Eds.), Handbook of Econometrics Vol. IV, Amsterdam: North-Holland, PP. 2959-3038. [DOI:10.1016/S1573-4412(05)80018-2]
5. Chou, R.Y. (1988). Volatility Persistence and Stock Valuations: Some Empirical Evidence Using GARCH, Journal of Applied Econometrics, 3, 279-294. [DOI:10.1002/jae.3950030404]
6. Engle RF (2004). Risk and Volatility: Econometric Models and Financial Practice. The American Economic Review, 94(3), and 405{420. DOI: 10.1257/0002828041464597. [DOI:10.1257/0002828041464597]
7. Engle, R.F. and Ng, V. (1993). Measuring and Testing the Impact of News on Volatility, Journal of Finance, 48, 1749-1778. [DOI:10.1111/j.1540-6261.1993.tb05127.x]
8. Engle, R.F., Ng, V.K. and Rothschild, M. (1990a). Asset Pricing with a Factor-ARCH Covariance Structure, Journal of Econometrics, 45, 235-237. [DOI:10.1016/0304-4076(90)90099-F]
9. Fama, E.F. (1965). The Behavior of Stock-Market Prices, Journal of Business, 38, 34-105. [DOI:10.1086/294743]
10. Geweke, J. and Terui, N. (1993). Bayesian Threshold Auto-Regressive Models for Nonlinear Time Series, Journal of Time Series Analysis, 14, 441-454. [DOI:10.1111/j.1467-9892.1993.tb00156.x]
11. Glosten LR, Jaganathan R, Runkle DE (1993). On the Relation between the Expected Value and the Volatility of the Nominal Excess Return on Stocks. Journal of Finance, 48(5), 1779{1801. [DOI:10.1111/j.1540-6261.1993.tb05128.x]
12. Hoeting, J. A., Madigan, D., Raftery, A. E., & Volinsky, C. T. (1999). Bayesian Model Averaging: A Tutorial. Statistical Science, 14 (4), 382-417. [DOI:10.1214/ss/1009212519]
13. Jeffreys, H. (1939). Theory of Probability. Oxford: Oxford University Press.
14. Kim, S., Shephard, N., & Chib, S. (1998). Stochastic Volatility: Likelihood Inference and Comparison with ARCH Models. Review of Economic Studies, 65, 361-393. [DOI:10.1111/1467-937X.00050]
15. Lee, S. W., & Hansen, B. E. (1994). Asymptotic Theory for the GARCH (1, 1) Quasi-Maximum Likelihood Estimator. Econometric Theory, 10, 29-52. [DOI:10.1017/S0266466600008215]
16. Mandelbrot, B. (1963). The Variation of Certain Speculative Prices, Journal of Business, 36, 394-419. [DOI:10.1086/294632]
17. Mandelbrot, B. (1963). The Variation of Certain Speculative Prices, Journal of Business, 36, 394-419. [DOI:10.1086/294632]
18. Nelson D.B. (1991). Conditional Heteroskedasticity in Asset Returns: A New Approach. Econometrica, 59(2), 347{370. [DOI:10.2307/2938260]
19. Nelson, D.B. (1991). Conditional Heteroscedasticity in Asset Returns: A New Approach, Econometrica, 59, 347-370. [DOI:10.2307/2938260]
20. Nelson, D.B. and Foster, D.P. (1994). Asymptotic Filtering Theory for Univariate ARCH Models, Econometrica, 62, 1-41. [DOI:10.2307/2951474]
21. Osiewalski, J. (2001). Ekonometria Bayesowska w Zastosowaniach, [Bayesian Econometrics in Applications]. Cracow: Cracow University of Economics.
22. Schwert, G.W. (1989). Why Does Stock Market Volatility Change Over Time? Journal of Finance, 44, 1115-1153. [DOI:10.1111/j.1540-6261.1989.tb02647.x]
23. Sims, C.A. (1988), Bayesian Skepticism on Unit Root Econometrics, Journal of Economic Dynamics and Control, 12, 463-474. [DOI:10.1016/0165-1889(88)90050-4]
24. Stock, J.H. and Richardson, M.P. (1989). Drawing Inferences from Statistics Based on Multi-Year Asset Returns, Journal of Financial Economics, 25, 323-348. [DOI:10.1016/0304-405X(89)90086-X]
25. Taylor, S.J (1986). Modelling Financial Time Series. John Wiley, New York.
26. Withers, S. D. (2002). Quantitative Methods: Bayesian Inference, Bayesian Thinking, Progress in Human Geography, 26 (4), 553-566. [DOI:10.1191/0309132502ph386pr]
27. Zhong, M., Darrat, A. F., & Anderson, D. C. (2003). Do US stock prices deviate from their fundamental values? Some new evidence. Journal of banking & finance, 27(4), 673-697. [DOI:10.1016/S0378-4266(01)00259-X]
28. Chen, L., Zerilli, P., & Baum, C. F. (2019). Leverage effects and stochastic volatility in spot oil returns: A Bayesian approach with VaR and CVaR applications. Energy Economics, 79, 111-129. [DOI:10.1016/j.eneco.2018.03.032]
29. Lin, Y., Xiao, Y., & Li, F. (2020). Forecasting crude oil price volatility via a HM-EGARCH model. Energy Economics, 104693 [DOI:10.1016/j.eneco.2020.104693]
| بازنشر اطلاعات | |
 | این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |