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

هدف ازاین پژوهش پیش بینی مدل خود توضیح کسری جمعی میانگین متحرک ARFIMA در شاخص صنعت بانکی , بورس اوراق بهادار تحلیل وضعیت بازدهی شاخص صنعت بانکی و بررسی وجودحافظه بلندمدت درشاخص صنعت بانکی دربورس اوراق بهاداربا استفاده پیش بینی 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 حاکی 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 بیانگراین بود که شاخص صنعت بانکی بورس دارای حافظه بلندمدت بوده و از یک فرآیند (۱۰۴۸۱)ARFIMA (در یک تقسیم بندی کلی روش های پیش بینی در سری های زمانی را می توان به دو دسته خطی و غیرخطی تقسیم کرد. پرکاربردترین روش پیش بینی خطی، روش ARFIMA است. در سال های اخیر روش جدیدتری بر مبنای روش ARFIMA ابداع شده است که ARFIMA نام گذاری شده است. این روش ها در جهت پیش بینی و شناسایی ساختار گذشته سری های زمانی با کمترین خطا استفاده شده اند.) پیروی می کند،لذاحافظه بلندمدت صنعت بانکی بورس دارای درجه جمعی ۰.۴۸ هست . همچنین مقایسه آماره های مرسوم بیانگربرتری مدل انتخابی نسبت به مدل رقیب ARFIMA بود. الگوی انتخابی ازقدرت پیش بینی بالایی برخوردارهست که می تواندبرای سرمایه گذاران بازاربورس درراستای اهداف مالی و انتخاب سبد سهام مفید باشد. حال آنکه، در بین مدل های واریانس ناهمسان شرطی که در این مطالعه مورد بررسی قرار گرفته، بر اساس معیارهای اطلاعات (آکائیک و شوارتز) مدل ARFIMA(۱,۲)-FIGARCH(BBM) به عنوان بهترین مدل برای مدل سازی نوسان های 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.

کلیدواژه ها:

حافظه بلندمدت ، شاخص صنعت بانکی ، بورس اوراق بهادارتهران ، مدل ARFIMA ، حافظه بلند(Q۳)تحلیل دامنه استاندارد شده(Q۳)تحلیل دامنه استاندارد شده تغییریافته(Q۳)مدل ARFIMA(Q۲)مدل ARIMA(Q۲) ،