بررسي روند بازدهي سهام با استفاده از مدل خود بازگشتي چرخشي ماركف

Evaluation of Stock Returns Pattern Using Markov Switching AR

امروزه با وجود روش هاي مختلف براي بررسي‌هاي بازارهاي مالي، هنوز پيش‌بيني دقيق بازده سهام كار چندان ساده‌اي نيست. از گذشته تا به امروز مدل‌هاي خود رگرسيون (AR) كه توسط باكس و جنكينز معرفي شد در پيش بيني مسايل متعددي مثل مسايل مالي استفاده مي‌شود و اساس عملكرد اين‌گونه مدل ها اين است كه مقادير آينده سري، با مقادير گذشته و جاري سري رابطه داشته اند. از طرفي مدل‌سازي قيمت سهام نيز هميشه از موضوعات جذاب در بورس اوراق بهادار مي‌باشد.در اين راستا مدل‌سازي و پيش‌بيني روند بازدهي سهام با استفاده از خانواده اتورگرسيو با دو رژيم بسيار مفيد و مي‌باشد. اين مقاله در پي اين است كه نرخ بازدهي شاخص مالي را در ارتباط با احتمالات انتقال مجزا كه مربوط به دو رژيم مجزا مي‌باشد، مدل‌سازي كند. اين‌گونه مدل ها براي پيش‌بيني كوتاه‌مدت بسيار مفيد مي-باشند.روش اين مطالعه روش مدل اتورگرسيو ماركف (MS-AR) مي‌باشد. برآوردهاي تجربي اين مقاله حاكي از آن است كه نوسانات شاخص مالي بورس اوراق بهادار ايران مي‌تواند توسط الگوي خود بازگشتي ماركف نسبت به مدل‌هاي بازگشتي ساده بهتر توصيف شوند. برتري مدل‌هاي خود بازگشتي ماركف براي ضرايب مثبت در تاخيرهاي كم واضح‌تر مي‌باشد. مدل ماركف انتقالات بين حالت ركودي و حالت رونقي (حالت پر نوسان و كم نوسان ) را مدل‌سازي مي‌كند و مدل خود بازگشتي ماركف يك روش غيرخطي است كه پرش ها و بحران هاي بازارهاي مالي را بسيار خوب مدل‌سازي مي‌كند و اين خاصيت به خاطر تفكيك داده‌هاي سري به رژيم‌هاي مختلف مي‌باشد. مدل چرخشي خود بازگشتي ماركف مي‌تواند به صور دقيق مهر و موم‌هاي اخير رژيم در بازار سهام و شوك‌هاي وارد شده به بازار سهام ايران را شناسايي كند. نوسانات بازده سهام را توانسته به دو رژيم پر نوسان و كم نوسان تفكيك كند نتايج نشان مي‌دهد كه در بازار ايران مدت ماندن بازار در رژيم پر نوسان طولاني‌تر از مدت ماندن در رژيم كم نوسان است در ايران بازار سهام بيشتر در رژيم پر نوسان مي‌باشد و اين موضوع براي سرمايه‌گذاران از جنبه براي سودآوري مهم مي‌باشد زيرا مي توان از اين نوسانات فرصت سودآوري را شناسايي نمود.

Today there are different methods for evaluation of financial markets, but yet predicting stock returns accurately is not so simple. From the past to the present, Auto Regressive models introduced by Box and Jenkins are used in predicting various issues like financial matters and the performance of these models shows that there are links between future values of the series and current and past values . Beside the modeling, the stock price on the stock exchange is always an interesting topic. In this context, modeling and forecasting stock returns using autoregressive process with two regimes are very useful. This paper is seek to model the rate of return on financial indicators in relation with the transition probabilities in two distinct regimes. these models are also very useful for short term forecasting. Methods in This study is autoregressive Markov model (MS-AR). It is mentioned that financial stock cycles can be described better with some models with two regimes than a simple AR model. MSAR is a non-linear model that can model jumps and the financial crisis well due to the breakdown of the data series. Markov model can identify accurate years of regime change in Iran and explain the dates of shocks in detail. This model have the ability to manage separation of stock returns with low and high volatility regimes. The results show that the market remained in the high volatility regime for a longer period than low volatility regime. This is important because investors can make profit from the volatility of the profit opportunities identified