چکیده:
هدف ازاین پژوهش پیشبینی مدل خود توضیح کسری جمعی میانگین متحرک ARFIMA در شاخص صنعت بانکی , بورس اوراق بهادار تحلیــل وضــعیت بــازدهی شاخص صنعت بانکی و بررسی وجودحافظه بلندمدت درشاخص صنعت بانکی دربورس اوراق بهـاداربـا استفاده پیشبینی مدل خود توضیح کسری جمعی میانگین متحرک. دراین مقاله با استفاده از دادههای صنعت بانکی از تاریخ یک خرداد نود و دو الی یک مرداد نود و شش استفاده شد. نتایج حــاکی از آن بود که متوسط نرخ بازدهی شاخص بانکی معادل ۰. ۰۱۵ بوده و بیشترین و کم ترین نرخ بازدهی شاخص بانکی به ترتیب ۱۰. ۳ و۸. ۳- هست. یافته های پژوهش دررابطه بامدل سازی شاخص هم بیانگرایـن بود که شاخص صنعت بانکی بورس دارای حافظه بلندمدت بوده و از یک فرآیند (١٠٤٨١) ARFIMA (در یک تقسیمبندی کلی روشهای پیشبینی در سریهای زمانی را میتوان به دو دسته خطی و غیرخطی تقسیم کرد. پرکاربردترین روش پیشبینی خطی، روش ARFIMA است. در سالهای اخیر روش جدیدتری بر مبنای روش ARFIMA ابداع شده است که ARFIMA نامگذاری شده است. این روشها در جهت پیشبینی و شناسایی ساختار گذشته سریهای زمانی با کمترین خطا استفادهشدهاند.) پیروی می کند، لذاحافظه بلندمدت صنعت بانکی بـورس دارای درجـه جمعـی ۰. ۴۸ هسـت. همچنیـن مقایسه آماره های مرسوم بیانگربرتری مدل انتخابی نسبت به مدل رقیب ARFIMA بود. الگـوی انتخـابی ازقدرت پیش بینی بالایی برخوردارهست که می تواندبرای سرمایه گذاران بازاربورس درراسـتای اهـداف مالی و انتخاب سبد سهام مفید باشد. حال آنکه، در بین مدلهای واریانس ناهمسان شرطی که در این مطالعه مورد بررسی قرار گرفته، بر اساس معیارهای اطلاعات (آکائیک و شوارتز) مدل ARFIMA (1,2) -FIGARCH (BBM) به عنوان بهترین مدل برای مدلسازی نوسانهای بازدهی بورس در دوره مورد بررسی، انتخاب شده است. مقایسه عملکرد پیش بینی مدل ARFIMA با مدل ARFIMA، نشان می دهد که مدل ARFIMA از قدرت پیش بینی کنندگی بالاتری برخوردار است.
خلاصه ماشینی:
یافته های پژوهش دررابطه بامدل سازی شاخص هم بیانگرایـن بود که شاخص صنعت بانکی بورس دارای حافظه بلندمدت بوده و از یک فرآیند (١٠٤٨١) ARFIMA (در یک تقسیمبندی کلی روشهای پیشبینی در سریهای زمانی را میتوان به دو دسته خطی و غیرخطی تقسیم کرد.
با توجه به مطالب فوق در این پژوهش به ارائه مدل مناسب بمنظور بررسی حافظه بلند مدت شاخص صنعت بانکی در بورس اوراق بهادار تهران با استفاده از مدلARFIMA پرداخته خواهد شد.
با توجه به مطالب فوق در این پژوهش به ارائه مدل مناسب بمنظور بررسی حافظه بلند مدت شاخص صنعت بانکی در بورس اوراق بهادار تهران با استفاده از مدلARFIMA پرداخته خواهد شد.
بخش دوم: پیشینه تحقیق الف) مطالعات داخلی برکیش (1394) در تحقیقی به بررسی ویژگی های حافظه بلند مدت و شکست ساختاری در بازده شاخص قیمت بورس اوراق بهادار تهران TEPIX پرداخته است.
همچنین آزمون های آماری انجام شده وجود حافظه بلند مدت در سری زمانی بازدهی شاخص های بورس و نرخ ارز واقعی را اثبات میکند واین بیانگر این است که بازدهی در این دو بازار از تصادفی پیروی نمیکند و با استفاده از اطلاعات گذشته میتوان بازدهی در آینده را پیش بینی نمود.
به لحاظ نظری یک فرآیند سری زمانی y با ضریب همبستگی در وقفه i هنگامی یک حافظه بلند مدت است که:(به تصویر صفحه مراجعه شود) مدل ARFIMA یک راه حل برای گرایش به مجموعه های ثابت بی نظیر ارایه می دهد که وابستگی طولانی مدت را نشان می دهد.
بررسی و مطالعه حافظه بلند مدت بازده شاخص صنعت بانک در بورس اوراق بهادار تهران 2.