پیش بینی بازدهی شاخص صنعت پتروشیمی در بورس اوراق بهادار تهران با استفاده از مدل های ARIMA و ARFIMA

Publish Year: 1395
نوع سند: مقاله ژورنالی
زبان: Persian
View: 154

This Paper With 12 Page And PDF Format Ready To Download

  • Certificate
  • من نویسنده این مقاله هستم

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این Paper:

شناسه ملی سند علمی:

JR_JAES-6-17_002

تاریخ نمایه سازی: 9 آذر 1400

Abstract:

پیش بینی متغیرهای اقتصادی از اهمیت  ویژه ای در مباحث اقتصادی برخوردار است و مدل های مختلفی جهت پیش بینی مقادیر آتی متغیرها به وجود آمده اند. یکی از مهمترین کارکردهای مدل های اقتصادی، پیش بینی مقادیر آتی متغیرهای اقتصادی می باشد. در حقیقت مدل های اقتصادی را می توان از طریق بررسی میزان دقت پیش بینی مورد آزمون قرار داد. بدین صورت که اگر یک مدل اقتصادی در تبیین روابط موجود بین متغیرها موفق باشد، باید بتواند پیش بینی صحیحی از آینده متغیرها نیز ارائه نماید. هدف اصلی این مقاله پیش بینی بازدهی شاخص یکی از مهمترین و تاثیرگذارترین صنایع کشور،صنعت پتروشیمی، است. نتایج آماری وجود حافظه بلندمدت در بازدهی این صنعت را تایید می کنند، لذا برای پیش بینی شاخص صنعت پتروشیمی از دو مدل اقتصادسنجی شامل ARFIMA و ARIMA استفاده شده است. به طوریکه، مدل ARFIMA با در نظر گرفتن حافظه بلندمدت و مدل ARIMA بدون در نظر گرفتن حافظه بلندمدت مدنظر قرار گرفتند. ارزیابی میزان دقت پیش بینی دو مدل مذکور با استفاده از داده های روزانه شاخص صنعت پتروشیمی در بوررس اوراق بهادار تهران در بازه زمانی ۲۴/۰۳/۱۳۸۴ الی ۲۵/۰۵/ ۱۳۹۴نشان می دهد که با تفاوت اندکی مدل ARFIMA بهتر از مدل ARIMA  عمل کرده است، ولی با توجه به مشکلات برآورد ضرایب مدل ARFIMA و سادگی مدل ARIMA، این تفاوت اندک قابل چشم پوشی است و می توان از مدل  ARIMA برای پیش بینی بازدهی صنعت پتروشیمی استفاده کرد.

Keywords:

پیش بینی , میانگین متحرک خودهمبسته , میانگین متحرک خودهمبسته جزئی , صنعت پتروشیمی

Authors

محسن اشراقی

دانشجوی کارشناسی ارشد اقتصاد، دانشگاه آزاد اسلامی، واحد علوم و تحقیقات

فرهاد غفاری

دانشیار اقتصاد، دانشگاه آزاد اسلامی، واحد علوم و تحقیقات، تهران

تیمور محمدی

دانشیار اقتصاد، دانشگاه علامه طباطبایی

مراجع و منابع این Paper:

لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :
  • اندرس، ۱۳۸۹، اقتصادسنجی سریهای زمانی با رویکرد کاربردی، جلد ...
  • جانستون، ج.، دیناردو، ج.، ۱۳۸۹، روش های اقتصادسنجی، ترجمه: اهرابی، ...
  • عرفانی، علیرضا (۱۳۸۸). پیش بینی شاخص کل، بورس اوراق بهادار ...
  • کشاورزحداد، غلامرضا و موسی اسمعیل زاده (۱۳۸۹). مدل سازی سری ...
  • اکبرکمیجانی، اسماعیل نادری (۱۳۹۱). مقایسه قابلیتهای مدلهای مبتنی بر حافظه ...
  • مهدی صالحی، سمانه زمانی مقدم (۱۳۹۳). بررسی وجود حافظه بلندمدت ...
  • Barkoulas, J. T. and C.F. Baum (۱۹۹۶), “Long Term Dependence ...
  • Campbell, J. Y., A.W. Lo, and A.C. MacKinlay (۱۹۹۷), “The ...
  • Ewing, B.T. (۲۰۰۲), “The Transmission of Shocks among S&P Indexes”,Applied ...
  • Geweke, J. and S. Porter-Hudak (۱۹۸۳), “The Estimation and Application ...
  • Granger, C. and Z. Ding (۱۹۹۶), “Varieties of Long Memory ...
  • Greene, M. and B. Fielitz (۱۹۷۷), “Long Term Dependence in ...
  • Hamilton J. D. (۱۹۹۴), “Time Series Analysis”, (Princeton University Press)Harris, ...
  • Crato, N., & PJ, D. L. (۱۹۹۴). Long- Range dependence ...
  • Grau-Carles, P. (۲۰۰۰). Empirical Evidence of Long-Range Correlationsin Stock Returns. ...
  • Kang, S.H., Cheong, C., Yoon, S.M.(۲۰۱۰). Long memory volatility inChinese ...
  • نمایش کامل مراجع