رويكردي جديد براي تخمين پارامتر حافظه بلندمدت در سريهاي زماني مالي

چكيده هنگامي كه مشاهدات گذشته با آينده دور همبستگي بالايي داشته و رابطه آن ها غيرقابل چشمپوشي است سري زماني موردمطالعه داراي ويژگي حافظه بلندمدت است. سنجش وجود حافظه بلندمدت در يك سري زماني كاربردهاي فراواني در حوزههاي مختلف مالي دارا ميباشد و روشهاي مختلفي براي تخمين آن شكل گرفته است كه هر يك از اين روشها از نواقصي برخوردار ميباشد. رويكر بوتسترپ كه در اين مقاله براي محاسبه پارامتر حافظه بلندمدت به كار گرفته شد تقريب خوبي براي توزيع نمونهگيري در راستاي تخمين پارامتر حافظه را شكل ميدهد. اين رويكرد با محدوديتهاي كمتري مواجه است و قادر است بخش عظيمي از مشكلات روشهاي گذشته را مرتفع نمايد. در اين پژوهش از دادههاي روزانه شاخص قيمت بورس اوراق بهادار ايران (تهران) در در بازه زماني دسامبر 2006 الي ژوين 2010 براي برآورد پارامتر حافظه بلندمدت استفاده شد و نتايج حاصل نشاندهنده بهبود تخمين پارامتر حافظه بلندمدت بود. واژه هاي كليدي: حافظه بلندمدت، سري زماني، بوتسترپ.

Abstract When past observations have a high correlation with future and it cannot be ignored, studied time series has long memory. Examining of existing of long memory in time series has a lot of application in finance and lots of ways have been created to examine it but they have lots of mistakes. Bootstrap Approach has been used in this paper for give us a good proxy of sampling distribution in order to estimate of memory parameters. This approach has less limitation than others and can deal with most of difficult problem. In this research we use the data of price index of Tehran Stock Exchange for duration of December of 2006 till June of 2010 for estimating parameter of long memory, finally the results show the estimation of parameter of long memory has improved. Key Words: Long memory, Time series, Bootstrap