بررسي حافظه درازمدت شاخص كل قيمت بورس اوراق بهادار تهران (مطالعه موردي: صنعت داروسازي)

Investigating the Long-Term Memory of Total Price Index of the Tehran Stock Exchange (A Case Study: Pharmaceutical Industry)

مقدمه: پژوهش حاضر دو هدف را دنبال مي‌كند: اول، بررسي وجود حافظه درازمدت در شاخص كل قيمت صنعت داروسازي بورس اوراق بهادار تهران، و دوم، ارزيابي دقت پيش‌بيني الگوهايي كه حافظه درازمدت شاخص كل قيمت اين صنعت را در نظر مي‌گيرد. روش پژوهش: در اين پژوهش از روش‎هاي بيشينه درست‌نمايي، وايتل، جي. پي. اچ و اسپريو براي برآورد عامل انباشتگي كسري (حافظه بازار) استفاده شده است. در ابتدا، از بين چهار روش ذكرشده‌ي قبلي، دو روش بيشينه درست‌نمايي و وايتل توانستند بهترين الگوي ARFIMA را به داده‎ها برازش كنند. سپس، با استفاده‎ از آماره‎ها و معيارهاي انتخاب بهترين الگو، الگوي به‌دست آمده با روش بيشينه درست‌نمايي به عنوان بهترين روش برآورد انتخاب شد. يافته‌ها: شاخص كل قيمت صنعت داروسازي بورس اوراق بهادار تهران داراي حافظه با دامنه درازمدت است و بهترين الگو براي پيش‌بيني شاخص كل قيمت صنعت داروسازي الگوي ARFIMA (1,0.13,1) است. نتيجه‌گيري: با اطمينان بالايي مي‌توان ادعا كرد كه سري زماني شاخص كل قيمت صنعت داروسازي بورس اوراق بهادار تهران داراي حافظه درازمدت است. وجود اين ويژگي، دليلي بر رد شكل ضعيف فرضيه كارايي بازار است. مطابق فرضيه بازار كارا، قيمت دارايي‌ها نبايد با استفاده از داده‌هاي گذشته قابل پيش‌بيني باشد. وجود حافظه درازمدت در شاخص كل قيمت صنعت داروسازي، بيانگر وجود خودهمبستگي ميان مشاهدات با فاصله زماني زياد است. بنابراين، مي‌توان از شاخص‌هاي گذشته به منظور پيش‌بيني شاخص‌هاي آينده استفاده كرد كه اين امر امكان استفاده از راهبردي سوداگرايانه را فراهم مي‌كند. واژه‌هاي كليدي: پيش‌بيني شاخص كل قيمت صنعت دارو، عامل انباشتگي كسري (حافظه بازار)، روش ARFIMA.

Introduction: This study meets two objectives: first, investigating the presence of long-term memory of total price index in the pharmaceutical industry of the Tehran Stock Exchange; second, evaluating the accuracy of predicting models which include the long-term memory of the total price index of this industry. Method: In this research, the methods of Maximum Likelihood (MLE), Whittle, GPH, and Sperio have been used in order to evaluate the fractional integration parameter (market memory). In the beginning, among the four above-mentioned methods, two methods of MLE and Whittle could process the best pattern of ARFIMA to the data. Then, by using statistics and choosing criteria for the best one, this pattern was selected as the best for evaluating by MLE method. Results: The total price index in the pharmaceutical industry of the Tehran Stock Exchange has a long-term memory, and the best pattern for predicting the stock total price index of pharmaceutical industry is ARFIMA (1, 0.13, 1). Conclusion: It can be claimed with high certainty that the time-series of total price index in the pharmaceutical industry of the Tehran Stock Exchange has a long-term memory. The existence of this feature is a good reason for rejecting the weak shape of the market efficiency assumption. According to this assumption, the price of assets should not be predictable by historical data. The existence of long-term memory of total price index in the pharmaceutical industry indicates self-correlation among evidence with high intervals. Thus, it is possible to use historical data in order to predict the future indices which will be provided by applying a profitable strategy. Keywords: Predicting Total Price Index of Pharmaceutical Industry, Fractional Integration Parameter (Market Memory), ARFIMA Method.