بررسي وجود ويژگي فراكتال در قيمت و بازده سهام شركت هاي بورس اوراق بهادار تهران با استفاده از مدل غير خطي ARIFMA

Investigation of Fractal Property Price and Stock Returns of Tehran Stock Exchange Companies Using Nonlinear ARIFMA Model

شواهد بسياري حاكي از پيچيده بودن سري هاي زماني مانند قيمت هاي بازار سهام و تصادفي بودن آن است كه اين امر باعث مي شود تا تغييرات آنها را غيرقابل پيش بيني كند. اين درحالي است كه احتمال دارد اين سري هاي زماني فرآيندي غيرخطي پوياي معين يا به عبارت بهتر آشوبي بوده و در نتيجه مي توانند قابليت پيش بيني داشته باشند. لذا در اين پژوهش قيمت سهام و بازده سهام شركت هاي بورس اوراق بهادار تهران در طي دوره زماني 1393-1397 و در بازه هاي ماهانه مورد آزمون قرار گرفته است تا مشخص شود آيا اين متغيرها داراي ويژگي فراكتال در رفتار خود هستند يا خير. براي دست يابي به هدف فوق از برآورد مدل خود توضيح كسري جمعي ميانگين متحرك استفاده شده است. يافته هاي حاصل از آزمون هاي فوق بيان گر اين است كه قيمت سهام و بازده سهام، فرآيندي آشوبي و معين را تجربه مي كند. كه اين امر دلالت بر ناكارايي بازار سرمايه دارد و به دليل وجود حافظه بلندمدت مي تواند در پيش بيني بلندمدت كارايي داشته باشد و رهنمودي براي شناخت بهتر عوامل ناكارايي بازار مانند عدم شفافيت جريان اطلاعات و اقدام در راستاي برطرف نمودن آن داشته باشد.

Much evidence suggests that time series such as stock market prices are complex and random, which makes their changes unpredictable. However, these time series are likely to be a nonlinear dynamic or, in other words, a chaotic process and can therefore be predictable. Therefore, in this study, stock prices and stock returns of Tehran Stock Exchange companies during the period 2014-2018 and monthly intervals were tested to determine whether these variables have fractal properties in their behavior. To achieve the above objective, our model estimation is used to explain the mass fraction of moving average. The findings of the above tests indicate that stock prices and stock returns experience a turbulent and definite process. This implies that the capital market is inefficient, and because of its long-term memory, it can be useful in predicting long-term performance and may have a guide to better understanding market failure factors such as the lack of transparency of information flow and action to address it.