تحلیل وضعیت‌های بازدهی‌ در بازار سرمایه ایران: رهیافت مدل‌های نیمه‌مارکوف پنهان

نوع مقاله : مقاله علمی پژوهشی

نویسندگان

1 استادیار، گروه اقتصاد، دانشکده اقتصاد، دانشگاه خوارزمی، تهران، ایران.

2 کارشناس ارشد، گروه مالی، دانشکده علوم مالی، دانشگاه خوارزمی، تهران، ایران.

چکیده

هدف: هدف این پژوهش، بررسی چگونگی عملکرد بورس اوراق بهادار تهران، بر اساس بازده‌ روزانه در بازه‌ زمانی سال 1387 تا سال 1397 است.
روش: بازده‌ روزانه بورس اوراق بهادار تهران را می‌توان به‎عنوان یک سری زمانی در نظر گرفت و با استفاده از مدل‌های موجود، به تحلیل این سری زمانی پرداخت. حال با توجه به ویژگی‌های توصیفی و توزیعی، مانا بودن این سری اثبات می‌شود، در نتیجه می‌توان مدل نیمه مارکوف پنهان را که به‎صورت گسترده در تحلیل و پیش‌بینی سری‌های زمانی کاربرد دارد، برای تحلیل این سری به‎کار برد. شایان ذکر است که با استفاده از این مدل، الزامی به در نظر گرفتن پیش‌فرض‌هایی مانند دو رژیمی بودن، محدود کردن دوره‌ها به داشتن حداقل و حداکثر زمان اقامت یا سایر معیارهای محدود کننده نیست. به بیان دیگر، این مدل رژیم‌های بازار و همچنین مدت زمان اقامت در هر رژیم را به‌طور هم‌زمان شناسایی می‌کند.
یافته‌ها: بر اساس یافته‌های آزمون کولموگروف اسمیرنف و معیارهای اطلاعات آکائیک و بیزین، تابع توزیع ترکیب گوسینی سه پارامتری، مناسب‌ترین توزیع برای بررسی روند بازدهی شاخص کل بورس تهران و همچنین مدل نیمه مارکوف سه رژیمی، مناسب‌ترین حالت برای مدل‌سازی است. به‎علاوه، بورس اوراق بهادار تهران به‎طور کلی در سه حالت خرسی، گاوی و میانه قرار دارد و تعریف این حالت‌ها و احتمال بودن در هر یک از این حالت‌ها را می‌توان بیان کرد.
نتیجه‌گیری: بورس اوراق بهادار تهران، بیش از نیمی از زمان بررسی شده را در حالت میانه به سر برده و محتمل‌ترین حالت پس از حالت‌های خرسی و گاوی ورود به حالت میانه و استمرار این حالت است و کمابیش هیچ‌گاه از حالت خرسی مستقیماً وارد حالت گاوی نشده است. همچنین احتمال ورود از حالت میانه به حالت خرسی تقریباً سه برابر احتمال ورود از حالت میانه به حالت گاوی است.

کلیدواژه‌ها


عنوان مقاله [English]

An Analysis of Return States in Iran Stock Market: Hidden Semi-Markov Model Approach

نویسندگان [English]

  • Maysam Rafei 1
  • Mahin Shokri 2
1 Assistant Prof., Department of General Economic Affairs, Faculty of Economics, Kharazmi University, Tehran, Iran.
2 MSc., Department of Financial Mathematics, Faculty of Finance, Kharazmi University, Tehran, Iran.
چکیده [English]

Objective: Analyzing the behavior of Tehran Stock Market, based on the daily asset return for the duration between 1387 and 1397 has been the main aim of this research.
Methods: Tehran Stock Market daily asset return can be considered as a time-series and therefore all existing models can be applied to it. Considering the distributional and temporal properties of such series, it can be shown that the series is stationary. Hence, Hidden Semi-Markov Model, which is widely used for analyzing time series, could be employed to analyze this series.
Results: Based on Kolmogorov-Smirnov test and Akaike and Bayesian indices, the best density function for the series is a three parameter Gussian Mixture. Moreover, employing three-state Hidden Semi-Markov Model would be the suitable method for modeling. In addition, it was found that Tehran Stock Market followed three states namely bull, bear, and sidewalk and the definitions for such states have been given, while the probability of being in each state has also been provided.
Conclusion: Tehran Stock Market was in sidewalk state around half of the analyzed duration and the luckiest state after both bear and bull states was sidewalk. The market almost never came to bull state after the bear state. Moreover, the chance of getting into bear state from sidewalk was three times more than the chance of getting into the bull market.

کلیدواژه‌ها [English]

  • Asset return
  • Tehran stock exchange
  • Hidden Semi Markov Model
  • Viterbi algorithm
ابطحی، سیدیحیی؛ نیک‌فطرت، حامد (1391). شناسایی چرخش رژیم در بازده بازار اوراق بهادار ایران. فصلنامه مدل‌سازی اقتصادی، 6(20)، 41-56.
امیرتیموری، راضیه؛ جلائی، سید‌عبدالمجید؛ زاینده‌رودی، محسن (1396). بررسی تأثیر هم‌زمانی چرخه‌های تجاری ایران و آلمان بر اصطکاک و عمق بازارهای مالی ایران (رهیافت مارکوف سوئیچینگ بیزین ور). تحقیقات مالی، 19(3)، 341–364.
جهانگیری، خلیل؛ حسینی‌ابراهیم‌آباد، سیدعلی (1396). بررسی آثار سیاست پولی، نرخ ارز و طلا بر بازار سهام در ایران با استفاده از مدل MS-VAR-EGARCH. تحقیقات مالی، 19(3)، 389–414.
راعی، رضا؛ محمدی، شاپور؛ سارنج، علیرضا (1393). پویایی‌های بورس اوراق بهادار تهران با استفاده از مدل گارچ‌نمایی در میانگین سوئیچینگ مارکوف. تحقیقات مالی، 16(1)، 77–98.
رضازاده، علی (1395). بررسی تأثیر شوک‌های نفتی بر نرخ ارز در ایران: رهیافت غیرخطی مارکوف-سوئیچینگ. فصلنامه پژوهش‌ها و سیاست‎های اقتصادی، 24(79)، 123- 144.
سارنج، علیرضا؛ رامشینی، محمود؛ علوی‌نسب، سیدمحمد؛ ندیری، محمد (1396). تحلیل دوره‌های رونق و رکود بازار سهام ایران مبتنی بر رویکردی ناپارامتریک. تحقیقات مالی، 19(4)، 535- 556.
صالحی‌سربیژن، مرتضی؛ رییسی‌اردلی، غلامعلی؛ شتاب‌بوشهری، نادر (1392). نقاط رکود و رونق اقتصاد ایران با استفاده از مدل مارکوف سوئیچینگ. فصلنامه مدل‌سازی اقتصادی، 7(3)، 67–83.
عبدالهیان، فرزانه؛ محمدپور‌زرندی، محمدابراهیم؛ هاشمی‌نژاد، سیدمحمد؛ مینوئی، مهرزاد (1397). پیش‌بینی دوران رکود و رونق در بازار اوراق بهادار تهران با استفاده از مدل‌های MS و NSGA-ANN. مهندسی مالی و مدیریت اوراق بهادار، 9(37)، 321 - 356.
میرزایی‌قزانی، مجید (1397). تحلیل رفتار متغیر تلاطم تحقق یافته در بورس اوراق بهادار تهران مبتنی بر رهیافت مدل‌های خودرگرسیونی ناهمگن. تحقیقات مالی، 20(3)، 365 - 388.
نصراللهی، زهرا؛ رضایی، احمدرضا؛ حبیبی، سیدمحمدصادق (1393). مدل‌سازی و پیش‌بینی نوسانات بازار سهام با استفاده از مدل مارکوف سوئیچینگ. کنفرانس بین‌المللی حسابداری، اقتصاد و مدیریت مالی. تهران: شرکت دانش‌محور ارتاخه.
 
References
Abdollahian, F., Mohammad Pourzarandi, M., Hasheminejad, M. & Minouei, M. (2018). To Forecat the Recession and Prosperity in the Tehran Stock Exchange using Models of MS and NSGA-ANN. Financial Engineering and Portfolio Management, 9 (37), 3421- 356. (in Persian)
Abtahi, S. Y. & Nikfetrat, H. (2012). Identifying Regime Switching of Stock Market Returns in Iran. Quartery Journal of Economical Modeling, 6 (20), 41- 56. (in Persian)
Amir Teimoori, R., Jalaee, S. A. & Zayandeh Roodi, M. (2017). Investigating the Impact of Iran-Germany Business Cycle Synchronization on the Friction and Depth of Financial Markets in Iran (Markov Switching Bayesian VAR Method). Financial Research, 19 (3), 341- 364. (in Persian)
Barbu, V. S., & Limnios, N. (2009). Semi-Markov chains and hidden semi-Markov models toward applications: their use in reliability and DNA analysis (Vol. 191). Springer Science & Business Media.
Baum, L. E., & Petrie, T. (1966). Statistical inference for probabilistic functions of finite state Markov chains. The annals of mathematical statistics, 37(6), 1554-1563.
Blattberg, R. C., & Gonedes, N. J. (1974). A Comparison of the Stable and Student Distributions as Statistical Models for Stock Prices. The Journal of Business, 47(2), 244–280.
Bollerslev, T. (1986). Generalized autoregressive conditional heteroskedasticity. Journal of Econometrics, 31(3), 307–327.
Bulla, J., & Bulla, I. (2006). Stylized facts of financial time series and hidden semi-Markov models. Computational Statistics & Data Analysis, 51(4), 2192–2209.
Cesari, A., De, Espenlaub, S., Khurshed, A., & Simkovic, M. (2010). The Effects of Ownership and Stock Liquidity on the Timing of Repurchase Transactions. Paolo Baffi Centre Research Paper, No. 2011-100.
Cheng, T. Y., Lee, C. I., & Lin, C. H. (2013). An examination of the relationship between the disposition effect and gender, age, the traded security, and bull–bear market conditions. Journal of Empirical Finance, 21, 195–213.
Edwards, F. R., & Caglayan, M. O. (2001). Hedge Fund and Commodity Fund Investments in Bull and Bear Markets. The Journal of Portfolio Management, 27(4), 97–108.
Engle, R. F. (1982). Autoregressive conditional heteroscedasticity with estimates of the variance of United Kingdom inflation. Econometrica: Journal of the Econometric Society, 50(4), 987–1007.
Fabozzi, F. J., & Francis, J. C. (1977). Stability tests for alphas and betas over bull and bear market conditions. The Journal of Finance, 32(4), 1093–1099.
Fama, E. F. (1965). The behavior of stock-market prices. The Journal of Business, 38(1), 34–105.
Jahangiri, K., & Hosseini Ebrahim, S.A. (2017). The effects of monetary policy, exchange rate and gold on the stock market in Iran using MS-VAR-EGARCH model. Financial Research, 19 (3), 389- 414. (in Persian)
Liu, Z., & Wang, S. (2017). Decoding Chinese stock market returns: Three-state hidden semi-Markov model. Pacific-Basin Finance Journal, 44, 127–149.
Lunde, A., & Timmermann, A. (2004). Duration dependence in stock prices: An analysis of bull and bear markets. Journal of Business & Economic Statistics, 22(3), 253–273.
Mirzaee Gh., M. (2018). Analysis of realized volatility in Tehran Stock Exchange using Heterogeneous Autoregressive models approach. Financial Research Journal, 20(3), 365-388. (in Persian)
Nasrallahi, Z., Rezaei, A., & Habibi, S. (2014). Modeling and predicting stock market volatility by using Markov switching model. International Conference on Accounting, Economics and Financial Management. Tehran: Knowledge-Driven Company of Iran. (in Persian)
Pagan, A. R., & Sossounov, K. A. (2003). A simple framework for analysing bull and bear markets. Journal of Applied Econometrics, 18(1), 23–46.
Raei, R., Mohammadi, Sh. & Saranj, A. (2014). The dynamics of Tehran Stock Exchange using the Switching Markov – GARCH in mean. Journal of Financial Research, 16(1), 77-98. (in Persian)
Rezazadeh, A.S. (2016). Analyzing the effect of Oil Shocks on Foreign Currency: Exchange Rate in Iran with an Approach Toward Non-linear Markov switching. Quarterly Journal of Economic Research and Policy, 24 (79), 123-144. (in Persian)
Rogers, L. C. G., & Zhang, L. (2011). An asset return model capturing stylized facts. Mathematics and Financial Economics, 2(5), 101–119.
Salehi Sourbian, M., Rice Ardali, G., & Bushehri Acceleration, N. (2013). Recession and prosperity of Iranian economy by using Markov switching model. Journal of Economic Modeling, 7(3), 67-83. (in Persian)
Saranj, A., Ramshini, M., Alavi Nasab, S. M., & Nadiri, M. (2018). Identifying Bull and Bear Periods in Iran’s Stock Market Using a Non-parametric Approach. Financial Research Journal, 19(4), 535 – 556. (in Persian)
Taylor, S. J. (1986). Modelling financial time series. world scientific.
Weigend, A. S., & Shi, S. (2000). Predicting daily probability distributions of S&P500 returns. Journal of Forecasting, 19(4), 375–392.