چکیده:
پژوهش حاضر به دنبال یافتن تأثیر حافظه بلندمدت بر ساختار وابستگی بین بازده ها و سپس بر ساختار پرتفوی بهینه است. در این راستا، تابع کاپیولا به عنوان ابزاری قدرتمند و منعطف برای تعیین ساختار وابستگی استفاده شده است. داده های پژوهش شامل شاخص بازار سهام ایران و شاخص بازار سهام ترکیه می باشند. در گام اول ساختار وابستگی بین بازده های خالص و بازده های فیلترشده را که ازARFIMA-GARCH به دست آمده مورد مقایسه قرارداده تا تأثیرحافظه بلندمدت بر بازده ها را مورد بررسی قرار دهیم. در گام دوم تأثیر ساختار وابستگی بین بازده های خالص و بازده های فیلترشده روی بهینه سازی پرتفوی مورد بررسی قرار گرفته است. نتایج نشان دادند که می توان الگوی کاپیولاها را به بازده دو سری زمانی مورد بررسی برازش داد و بهترین الگو الگوی Frank است. همچنین، نتایج بیانگر وجود حافظه بلندمدت در میانگین و واریانس بازده سهام در بازار ایران و وجود حافظه بلندمدت در واریانس بازار سهام ترکیه است. همه الگوها درصد سرمایه گذاری بیشتری را به بازار سهام ایران و درصد کمتری را به بازار سهام ترکیه اختصاص دادند.
خلاصه ماشینی:
کاربرد حافظه بلندمدت در بهينه سازي پرتفوي با استفاده از توابع کاپيولا : شواهدي تجربي از بازار سهام ايران و ترکيه 1 هستي چيت سازان 2 تاريخ دريافت مقاله : ١٤٠٠/٠٣/٠٢ تاريخ پذيرش مقاله : ١٤٠٠/٠٤/٠٨ مطهره مقدسي 3 رضا تهراني محسن مهرآرا٤ چکيده پژوهش حاضر به دنبال يافتن تأثير حافظه بلندمدت بر ساختار وابستگي بين بازده ها و سپس بر ساختار پرتفوي بهينه است .
پس از استفاده از معيار ريسک CVaR به جاي معيار واريانس و به کار بستن تابع کاپيولا گامبل براي ساختار همبستگي بين بازده هاي مالي ، تابع هدف پژوهش به صورت زير به دست مي آيد: (رجوع شود به تصویر صفحه) که ١٢=i شاخص هاي بازار سهام ميباشند.
جدول ٣ : برازش مدل ARFIMA-FIGARCH به مشاهدات (رجوع شود به تصویر صفحه) با توجه به نتايج به دست آمده ، در الگوي برازش داده شده به داده هاي ايران ، مقدار معناداري پارامترهاي مدل از ٠/٠٥ کمتراست که اين امر نشان دهنده وجود حافظه بلندمدت در ميانگين و واريانس در مقادير بازدهي بورس ايران است .
434 با توجه به وجود حافظه بلندمدت در بازدهي بورس ايران و ترکيه ، براي بررسي اين مطلب که آيا وجود حافظه بلندمدت ميتواند، انتخاب پرتفوي بهينه را تحت تأثير قرار دهد يا خير، ابتدا الگوي کاپيولا در کل داده ها و سپس بر روي يک محدوده از داده ها که با الگوي ARFIMA-FIGARCH فيلتر شده اند برازش داده شد و همبستگي آنها برآورد شد.