سامانه مدیریت نشریات علمی دانشگاه شهید بهشتی

نیلچی, مسلم, فرید, داریوش, پیمانی, مسلم, میرزایی, حمیدرضا. (1401). بررسی پایداری تلاطم در بورس اوراق بهادار تهران. , 12(39), 9-31. doi: 10.52547/jfmp.12.39.9
مسلم نیلچی; داریوش فرید; مسلم پیمانی; حمیدرضا میرزایی. "بررسی پایداری تلاطم در بورس اوراق بهادار تهران". , 12, 39, 1401, 9-31. doi: 10.52547/jfmp.12.39.9
نیلچی, مسلم, فرید, داریوش, پیمانی, مسلم, میرزایی, حمیدرضا. (1401). 'بررسی پایداری تلاطم در بورس اوراق بهادار تهران', , 12(39), pp. 9-31. doi: 10.52547/jfmp.12.39.9
نیلچی, مسلم, فرید, داریوش, پیمانی, مسلم, میرزایی, حمیدرضا. بررسی پایداری تلاطم در بورس اوراق بهادار تهران. , 1401; 12(39): 9-31. doi: 10.52547/jfmp.12.39.9

بررسی پایداری تلاطم در بورس اوراق بهادار تهران

چشم انداز مدیریت مالی
دوره 12، شماره 39، مهر 1401، صفحه 9-31    اصل مقاله (796.16 K)
نوع مقاله: مقاله پژوهشی
شناسه دیجیتال (DOI): 10.52547/jfmp.12.39.9
نویسندگان
مسلم نیلچی1؛ داریوش فرید* 2؛ مسلم پیمانی3؛ حمیدرضا میرزایی4
1دانشجوی دکتری مهندسی مالی، دانشگاه یزد، یزد، ایران
2دانشیار، گروه حسابداری و مالی، دانشگاه یزد، یزد، ایران.
3استادیار، گروه مالی و بانکداری، دانشگاه علامه طباطبائی، تهران، ایران.
4استادیار، گروه حسابداری و مالی، دانشگاه یزد، یزد، ایران.
چکیده
یکی از عوامل مهم تاثیرگذار بر مشارکت سرمایه‌گذاران در بازار سهام، وجود اطلاعات در مورد روند و تحولات تلاطم قیمت‌های این بازار است. در سال‌های گذشته تحریم‌های اقتصادی و شیوع همه‌گیری کووید-19، بازار سهام ایران را دستخوش تلاطم نموده است. کاهش مداوم شاخص کل بازار سهام یکی از پیامدهای پایداری امواج تلاطمی ناشی از این وقایع است. برخی از تئوری‌های مالی نشان داده‌اند که کاهش قیمت‌های سهام می‌تواند ناشی از وجود ریشه واحد در تلاطم بازده قیمت‌های این بازار باشد.  در پژوهش حاضر، فرضیه افت قیمت‌های سهام به‌دلیل وجود ریشه واحد در تلاطم، با داده‌های شاخص کل بورس اوراق بهادار تهران در بازه‌ی 5 مهر 1395 تا 28 اسفند 1400 و با استفاده از مدل تلاطم تصادفی معرفی شده توسط سو و لی (1999) مورد بررسی قرار گرفت. یافته‌های پژوهش حاضر حاکی از آن است تخمین پسین ضریب پایداری در مدل تلاطم تصادفی برابر با یک می‌باشد. بنابراین، نمی‌توان عملکرد نامناسب بازار و فرضیه سقوط شاخص کل بورس اوراق بهادار تهران را به‌دلیل پایداری تلاطم رد کرد. 
کلیدواژه‌ها
ریشه واحد؛ پایداری تلاطمی؛ شاخص کل قیمت‌های سهام؛ تلاطم تصادفی
عنوان مقاله [English]
Investigating the Volatility Persistence in Tehran Stock Exchange
نویسندگان [English]
Moslem Nilchi1؛ Daryush Farid2؛ Moslem Peymani3؛ Hamidreza Mirzaei4
1Ph.D. Candidate in Financial Engineering, Yazd Universtity, Yazd,
2Associate Prof, Department of Accounting and Finance, Yazd University, Yazd, Iran.
3Assistant Prof, Department of Finance and Banking, Allameh Tabataba'i University, Tehran, Iran.
4Assistant prof, Department of Accounting and Finance , Yazd University, Yazd.Iran
چکیده [English]
One of the important factors affecting the participation of investors in the stock market is the existence of information about the trends and price volatility of this market. In the past years, the economic sanctions and the Covid-19 epidemic have affected the Iran stock market. The continuous decrease of the stock market index is one of the consequences of volatility persistence waves caused by these events. Some financial theories have shown that the decline in stock prices can be caused by the existence of a unit root in the volatility of the market's price returns. In this research, the hypothesis of the drop in stock prices due to the presence of a unit root in the volatility was investigated with the data of the Tehran Stock Exchange index between 2016.September.21 to 2022.March.19 and using the stochastic volatility model introduced by Su and Lee (1999). The findings of this paper indicate that the posterior estimate of the coefficient of ϕ in the Stochastic volatility model is equal to one, therefore, it is not possible to reject the inappropriate performance of the market and the hypothesis of the fall of the Tehran Stock Exchange index as a result of the volatility persistence.
کلیدواژه‌ها [English]
Unit Root, Volatility Persistence, Stock Price Index, Stochastic Volatility
مراجع
  1. Almenberg, J., & Dreber, A. (2015). Gender, stock market participation and financial literacy. Economics Letters, 137, 140-142.
  2. Bandi, F.M. and Phillips, P.C.B. (2003). Fully Nonparametric Estimation of Scalar Diffusion Models. Econometrica, 71(1), 241-83.
  3. Bentes, S. R. (2021). How COVID-19 has affected stock market persistence? Evidence from the G7’s. Physica A: Statistical Mechanics and its Applications, 581, 126210.
  4. Black, F. (1976). Studies of stock market volatility changes. 1976 Proceedings of the American statistical association bisiness and economic statistics section.
  5. Broto, C., & Ruiz, E. (2004). Estimation methods for stochastic volatility models: a survey. Journal of Economic surveys, 18(5), 613-649.
  6. Chan, J. C. and Grant, A. L. (2016). Modeling energy price dynamics: GARCH versus stochastic volatility. Energy Economics, Vol. 54, pp. 182-189.
  7. Chib, S. (1995). Marginal likelihood from the Gibbs output. Journal of the american statistical association, 90(432), 1313-1321.
  8. Chou, R.Y. (1988). Volatility Persistency and stock valuation: some empirical evidence using GARCH. Journal of Applied Econometrics, 3, 279-294.
  9. Engle, R.F. and Bollerslev, T. (1986). Modeling the persistence of conditional variances. Econometric Reviews, 5, 1-50.
  10. Farhadian, A., Rostami, M., Nilchi, M. (2020). Compare Canonical stochastic volatility model of focal MSGJR-GARCH to measure the volatility of stock returns and calculating VaR.  ـJournal of Financial Management Perspective, 10(32),131-158.(in Persian)
  11. Koop. Bayesian Econometrics. Wiley & Sons, New York, 2003.
  12. Gelman, A., Carlin, J.B., Stern, H.S., Rubin, D.B. (2004). Bayesian data analysis, 2nd edn. London: Chapman & Hall.
  13. Geweke, J. (2007). Bayesian model comparison and validation, American Economic Review, 97(2), 60-64.
  14. Hansen, P. R., Huang, Z., & Shek, H. H. (2012). Realized GARCH: a joint model for returns and realized measures of volatility, Journal of Applied Econometrics, 27(6), 877-906.
  15. Harvey, A.C., Ruiz, E. and Shephard, N. (1994). Multivariate stochastic variance models. Review of Economic Studies, 61, 247–264.
  16. Jacquier, E., Polson, N., and Rossi, P. (2004). Bayesian analysis of stochastic volatility models with fat-tails and correlated errors. Journal of Econometrics, (122):185–212.
  17. Kass, R. E. and Raftery, A. E. (1995). Bayes Factor. Journal of the Americana Statistical Association, 90, 773-795.
  18. Kim, S. Shephard, N. & Chib, S. (1998). "Stochastic Volatility:
    Likelihood Inference and Comparison with ARCH Models". Review
    of Economic Studies,     65: 361-393.
  19. Lenk, P. J., & DeSarbo, W. S. (2000). Bayesian inference for finite mixtures of generalized linear models with random effects. Psychometrika, 65(1), 93-119
  20. Li, Y., & Yu, J. (2012). Bayesian hypothesis testing in latent variable models. Journal of Econometrics, 166(2), 237-246.
  21. Malkiel, B. G. (1979). The capital formation problem in the United States. The Journal of Finance, 34(2), 291-306.
  22. Melino, A., & Turnbull, S. M. (1990). Pricing foreign currency options with stochastic volatility. Journal of econometrics, 45(1-2), 239-265.
  23. Merton, Robert C., (1980), On estimating the expected return on the market, Journal of Financial Economics, 8, 323-361.
  24. Molaei, S., Vaez Barzani, M., & Samadi, S. (2016). An Empirical Analysis of Price Jump and Asymmetric Information in Tehran Stock Exchange. Financial Management Strategy, 4(2), 65-81. (in Persian)
  25. Nakajima, J., & Omori, Y. (2009). Leverage, heavy-tails and correlated jumps in stochastic volatility models. Computational Statistics & Data Analysis, 53(6), 2335-2353.
  26. Ozdemir, Z. A., Gokmenoglu, K., & Ekinci, C. (2013). Persistence in crude oil spot and futures prices. Energy, 59, 29-37.
  27. Pagan, A., & Ullah, A. (1988). The econometric analysis of models with risk terms. Journal of applied Econometrics, 3(2), 87-105.
  28. Park, J.Y. and Phillips, P.C.B. (2001), nonlinear regressions with integrated time series. Econometrica, 69, 117-161.
  29. Perron, P. and Ng, S. (1996). Useful Modifications to some Unit Root Tests with Dependent Errors and their Local Asymptotic Properties. The Review of Economic Studies, 63, 435-463.
  30. Pindyck, R. S. (1984), 'Risk, inflation, and the stock market', Amnerican Economic Review, 74, 335-351.
  31. Poterba, J. and L. Summers (1986), 'The persistence of volatility and stock market fluctuations', American Economic Review, 76, 1142-1151.
  32. Razmi, S. F., Behname, M., Bajgiran, B. R., & Razmi, S. M. J. (2020). The impact of US monetary policy uncertainties on oil and gas return volatility in the futures and spot markets. Journal of Petroleum Science and Engineering, 191, 107232.
  33. Rostami, M., & Makiyan, S. N. (2020). Modeling Stock Return Volatility Using Symmetric and Asymmetric Nonlinear State Space Models: Case of Tehran Stock Market. Journal of Economic Modeling Research, 11(41), 197-229.(in Persian)
  34. Sadorsky, P. (2005). Stochastic volatility forecasting and risk management, Applied Financial Economics, 15, 121–135.
  35. Schwert, G.W. (1989). Tests for Unit Roots: A Monte Carlo Investigation, Journal of Business and Economic Statistics, 7(2), 147-59.
  36. Shephard, N. (2005). Stochastic Volatility: Selected Readings. Oxford: Oxford University Press.
  37. So, M.P. and Li, W.K. (1999). Bayesian unit-root testing in stochastic volatility models. Journal of Business and Economic Statistics, 17(4), 491-496.
  38. Wang, Y., Wu, C., & Yang, L. (2016). Forecasting crude oil market volatility: A Markov switching multifractal volatility approach, International Journal of Forecasting, 32(1), 1-9.
  39. Wright, J. (1999). An Empirical Likelihood Ratio Test for a Unit Root. Econometric Theory, 15(2), 257-257.
  40. Yu, J. (2002). Forecasting volatility in the New Zealand stock market. Applied Financial Economics, 12(3), 193-202.
  41. Zavadska, M., Morales, L., & Coughlan, J. (2020). Brent crude oil prices volatility during major crises. Finance Research Letters, 32, 101078.
  42. Zhong, M. Darrat, A. F. & Anderson, D. C. (2003). "Do US Stock Prices Deviate from their Fundamental Values? Some New Evidence". Journal of Banking & Finance 27(4): 673-697.
  43. Farhadian, A., Rostami, M., & Nilchi, M. (2020). Compare Canonical stochastic volatility model of focal MSGJR-GARCH to measure the volatility of stock returns and calculating VaR. ـJournal of Financial Management Perspective, 10(32), 131-158. doi: 10.52547/JFMP.10.32.131
آمار
تعداد مشاهده مقاله: 4,224
تعداد دریافت فایل اصل مقاله: 2,286