ارائه الگوی مناسب برای ارزیابی حافظه بلندمدت شاخص صنعت بانکداری در بورس اوراق بهادار تهران با استفاده از مدل پیش بینی خود توضیح کسری جمعی میانگین متحرک

ارائه الگوی مناسب برای ارزیابی حافظه بلندمدت شاخص صنعت بانکداری در بورس اوراق بهادار تهران با استفاده از مدل پیش‌بینی خود توضیح کسری جمعی میانگین متحرک

هدف ازاین پژوهش پیش‌بینی مدل خود توضیح کسری جمعی میانگین متحرک  arfima در شاخص صنعت بانکی، بورس اوراق بهادار تحلیــل وضـعیت بــازدهی شاخص صنعت بانکی و بررسی وجود حافظه بلندمدت درشاخص صنعت بانکی دربورس اوراق بهـادار بـا استفاده پیش‌بینی مدل خود توضیح کسری جمعی میانگین متحرک. دراین مقاله با استفاده از داده های صنعت بانکی از تاریخ یک خرداد نود و دو الی یک مرداد نود و شش استفاده شد. نتایج حــاکی از آن بود که متوسط نرخ بازدهی شاخص بانکی معادل  ۰.۰۱۵ بوده و بیشترین و کم ‌ترین نرخ بازدهی شاخص بانکی به ترتیب ۱۰.۳ و۸.۳- هست .

یافته ‌‌های پژوهش دررابطه بامدل ‌سازی شاخص هم بیانگر ایـن بود که شاخص صنعت بانکی بورس دارای حافظه بلندمدت بوده و از یک فرآیند (١٠٤٨١)arfima (در یک تقسیم‌بندی کلی روش های پیش بینی در سری‌های زمانی را می توان به دو دسته خطی و غیرخطی تقسیم کرد. پرکاربردترین روش پیش بینی خطی، روش arfima است. در سال‌های اخیر روش جدیدتری بر مبنای روش arfima ابداع شده است که arfima نام‌گذاری شده است. این روش ها در جهت پیش بینی و شناسایی ساختار گذشته سری‌های زمانی با کمترین خطا استفاده‌شده‌اند.)

پیروی می کند، لذا حافظه بلندمدت صنعت بانکی بـورس دارای درجـه جمعی ۰.۴۸ هسـت. همچنیـن مقایسه آماره ‌های مرسوم بیانگر برتری مدل انتخابی نسبت به مدل رقیب arfima بود. الگوی انتخـابی ازقدرت پیش ‌بینی بالایی برخوردار هست که می تواند برای سرمایه ‌گذاران بازار بورس در راسـتای اهـداف مالی و انتخاب سبد سهام مفید باشد.

حال آنکه، در بین مدل‌های واریانس ناهمسان شرطی که در این مطالعه مورد بررسی قرار گرفته، بر اساس معیارهای اطلاعات (آکائیک و شوارتز) مدل arfima(1,2)-figarch(bbm) به عنوان بهترین مدل برای مدل‌سازی نوسان‌های بازدهی بورس در دوره مورد بررسی، انتخاب شده است. مقایسه عملکرد پیش بینی مدل arfima با مدل arfima ، نشان می دهد که مدل arfima از قدرت پیش بینی کنندگی بالاتری برخوردار است.