مدل‌سازی سری‌ زمانی مقادیر فرین بر اساس رویکرد تحلیل طیفی

نوع مقاله : مقاله علمی پژوهشی

نویسندگان

1 استادیار، گروه مدیریت مالی، دانشکده مدیریت، دانشگاه پیام نور، یزد، ایران.

2 استادیار، گروه آمار، دانشکده آمار، دانشگاه پیام نور، یزد، ایران.

چکیده

هدف: از آنجا که پژوهشگران، در ادبیات مالی، برای مدل‌سازی مقادیر فرین به تحلیل داده‌‌ها توجه کرده‌اند و در بازارهای مالی نیز مدیران ریسک بازار به آن توجه می‌کنند، شناسایی رویکردهای نوین و مناسب می‌تواند در پیش‌بینی رویدادهای بسیار نادر به تحلیل گران ریسک، بینش عمیقی ایجاد کند. تحلیل رویدادهای بسیار نادر بر اساس توزیع زمانی، یکی از مناسب‌ترین رویکردها در تحلیل ریسک است. هدف پژوهش حاضر، ترکیب رویکرد تحلیل ‌زمانی و تحلیل طیفی برای شناسایی و ارائه رویکردی نوین در استخراج و تحلیل نوسان‌های آشکار و پنهان در امتداد تمامی طول موج‌های ممکن سری‌ زمانی است تا بتوان رفتار قیمتی سهام و نوسان‌های آن را شناسایی کرد.
روش: بر اساس الگوریتم تعریف ‏شده، ابتدا در دوره بررسی، برای هر سهم، حداکثر زیان بازدهی استخراج و طبق توزیع زمانی به شکل یک سری ‌زمانی تعریف شد. برای سری ‌زمانی به‌دست‌آمده، الگوی ساختاری تکرارشونده با استفاده از دوره‌نگار و رویکرد تحلیل واریانس چندهارمونیکی اجرا و نوسان‌های پنهان در بازده‌های حداکثر زیان با درجه‌های متفاوت کیفیت شناسایی شدند، سپس باکیفیت‌ترین دوره، طبق رابطه سینوسی تخمین زده شد. برای این منظور، از قیمت سهام برای دوره آماری ۱۳۷۷ تا ۱۳۹۷ (20 سال) و ۱۰۵ شرکت پذیرفته‌ شده در بورس اوراق بهادار تهران استفاده شده است.
یافته‌ها: با استفاده از یافته‌های حاصل از روش ارائه ‌شده، چرخه ۴۶۰روزه می‌تواند مناسب‌ترین و باکیفیت‌ترین چرخه در شناسایی نوسان موجود در سری ‌زمانی بررسی ‌شده باشد. همچنین، بر اساس این چرخه، پارامترهای الگوی سینوسی برآورد ‌شده، معنادارند. آزمون نکویی برازش نیز نشان داد که می‌توان 78درصد از تغییرات بازدهی را به‎کمک الگوی ارائه‌شده، شناسایی‌ کرد.
نتیجه‌گیری: به‌کارگیری رویکرد ترکیبی تحلیل سری ‌زمانی و طیف نگار، برای توصیف رفتار سری‌ زمانی بازدهی سهام شرکت‌ها، صلاحیت لازم را دارد. از این رو، می‌توان از الگوی ارائه ‌شده برای پیش‌بینی و تحلیل در بازار سرمایه بهره برد.

کلیدواژه‌ها

عنوان مقاله [English]

Time Series Modeling of Extreme Losses Values Based on a Spectral Analysis Approach

نویسندگان [English]

  • Seyed Jalal Tabatabaei 1
  • Alireza Pakgohar 2
1 , Assistant Prof., Department of Financial Management, Faculty of Management, Payame Noor University, Yazd, Iran.
2 Assistant Prof., Department of Statistics, Faculty of Statistics, Payame Noor University, Yazd, Iran.
چکیده [English]

Objective: Because data analysis for modeling extreme values ​​in financial literature is of interest to researchers and in financial markets and is considered by market risk managers, identifying new and appropriate approaches can provide analysts with insight into predicting very rare events. Analyzing very rare events by time distribution is one of the most appropriate approaches to risk analysis. This study aims to combine the time analysis and spectral analysis approach to identify and present a new approach in extracting and analyzing overt and covert fluctuations along all possible longitudinal wavelengths, to identify stock price behavior and its fluctuations.
Methods: According to the defined algorithm, the extreme losses are extracted for each share in the period under review and are defined as a time series according to the time distribution. For the time series obtained, the iterative structural model was performed using a multi-harmonic analysis and variance analysis approach and the hidden fluctuations in maximum loss yields were identified with varying degrees of quality and then estimated with the highest quality period according to a sinusoidal relationship. For this purpose, the stock price has been used for the statistical period of 1998-1997 (20 years) and includes 105 companies listed on the Tehran Stock Exchange.
Results: The results showed that using the findings of the proposed 460-day cycle method, the most appropriate and high-quality cycle in detecting fluctuations in the time series can be examined. Besides, based on the mentioned cycle, the parameters of the estimated sinusoidal pattern are significant. The fitness test also showed that 78% of the yield changes could be identified by the proposed model.
Conclusion: Applying a combined approach to time-series analysis and spectral analysis has the necessary competence in describing the time-series behavior of corporate stock returns. Therefore, the proposed model can be used for forecasting and analysis in the capital market.

کلیدواژه‌ها [English]

  • Spectral analysis
  • Periodogram
  • Extreme losses values
  • Volatilities

مراجع

برکیش، احمدقلی (1394). تحلیل زنجیره‌های نزول بورس اوراق بهادار تهران با استفاده از تبدیل موجک. مهندسی مالی و مدیریت اوراق بهادار، 6(25)، 155-174.
پازوکی، نیما؛ حمیدیان، اکرم؛ محمدی، شاپور؛ محمودی، وحید (1392). استفاده از تبدیل موجک جهت بررسی میزان همبستگی نرخ ارزهای مختلف، قیمت نفت، قیمت طلا و شاخص بورس اوراق بهادار تهران در مقیاس‌های زمانی مختلف. دانش سرمایه گذاری، 2(7)،131-148.
سارنج، علیرضا؛ نوراحمدی، مرضیه (1396). رتبه‌بندی آماری مدل‎های مختلف ارزش در معرض ریسک و ریزش مورد انتظار با استفاده از رویکرد مجموعه اطمینان مدل (MCS) برای صنعت بانکداری: با تأکید بر رویکرد ارزش فرین شرطی. مهندسی مالی و مدیریت اوراق بهادار، 8(30)، 131-146.
سجاد، رسول؛ هدایتی، شهره؛ هدایتی، شراره (1393). برآورد ارزش در معرض خطر با استفاده از نظریه ارزش فرین در بورس اوراق بهادار تهران. دانش سرمایه‌گذاری، 3(9)، 133-156.
درودی، دیاکو؛ ابراهیمی، سیدبابک (1395). ارائه روش هیبریدی نوین برای پیش‎بینی شاخص کل قیمت بورس اوراق بهادار. تحقیقات مالی، 18(4)، 613-632.
شهرزادی، مهشید؛ فروغی، داریوش؛ امیری، هادی (1398). اثر ریسک دنباله چپ بر بازده مازاد مـورد انتظـار و پیامـد آن بـر استمرار بازده دنباله چپ. تحقیقات مالی، 21(4)، 593 -611.
صادقی، حجت اله؛ بهبودی، سعیده (1395). تخمین ارزش در معرض ریسک با استفاده از نظریه ارزش فرین (مطالعه‌ای در نرخ ارز). مدیریت دارایی و تأمین مالی، 4(2)، 77-94.
صادقی، حجت اله؛ دهقانی فیروزآبادی، زهرا(1396). نوفه زدایی از سری های زمانی مالی با استفاده از آنالیز موجک. مهندسی مالی و مدیریت اوراق بهادار (مدیریت پرتفوی)، 8(33)، 299-315.
فلاح پور، سعید؛ طبسی، حامد (1399). برآورد ریزش مورد انتظار بر اساس نظریه ارزش فرین شرطی با استفاده از مدل مولتی فرکتال و داده‌های درون روزانه در بورس اوراق بهادار تهران. تحقیقات مالی، 22(1)، 27-43 .
نیکوسخن، معین (1397). ارائه یک مدل ترکیبی بهبودیافته با انتخاب وقفه‎های خودکار برای پیش‌بینی بازار سهام. تحقیقات مالی، 20(3)، 389-408. 
 
References
Barkish, A. (2015). Analysis of downwards waves in Tse with wavelets. Financial engineering and security management, 6(25), 155-174. (in Persian)
Dorodi, D. & Abrahimi, B. (2017). Presenting a new hybrid method for predicting the Stock Exchange price index. Financial Research Journal, 18(4), 613-632. (in Persian)
Fallahpour, S., & Tabasi, H. (2020). Estimation of Expected Shortfall Based on Conditional Extreme Value Theory Using Multifractal Model and Intraday Data in Tehran Stock Exchange. Financial Research Journal, 22(1), 27-43. (in Persian)
Jeon, S., Hong, B., Chang, V. (2017). Pattern graph tracking-based stock price prediction using big data. Future Generation Computer Systems, 80, 171-187.
Jung, A., Young, D., Hue, S. (2019). Handling Black Swan Events in Deep Learning with Diversely Extrapolated Neural Networks. Twenty-Ninth International Joint Conference on Artificial Intelligence and Seventeenth Pacific Rim International Conference on Artificial Intelligence, 2140-2147
Lomb, N.R. (1976). Least-squares frequency analysis of unequally spaced data. Astrophysics and Space Science, 39, 447-462.
Manhire, J. (2018). Measuring Black Swans in Financial Markets. Journal of Mathematical Finance, 8(1), 277-239.
Nikusokhan, M. (2018). An Improved Hybrid Model with Automated Lag Selection to Forecast Stock Market. Financial Research Journal, 20(3), 389-408. (in Persian)
Pazoki, N., Hamidian, A., Mohammadi, Sh., & Mahmoudi, V. (2013). Correlation Analysis of Stock Exchange Index, Oil price, Exchange Rate and Gold price: A Wavelet Decomposition Method. Knowledge investment, 2(7), 131-148. (in Persian)
Sabrina, M. & Levo, D. (2017). The Neural Basis of Loss Aversion in Decision-Making under Risk. Science, 18(315), 255-269.
Sadeghi, H. & Behboodi, S. (2016). Using Extreme Value Theory to Estimate Value at Risk (Case Study: Foreign Exchange rate). Asset management & financing, 4(2), 77-794.
(in Persian)
Sadeghi, H. & Dehghani firoozabadi, Z.(2017). Denoising of financial time series using wavelet analysis. Financial engineering and portfolio management, 8(33), 299-315. (in Persian)
Sajjad, R., Hedayati, Sh., Hedayati, Sh. (2013). Estimation of Value at Risk by using Extreme Value Theory. Knowledge investment, 3(9), 133-156. (in Persian)
Saranj, A., Nourahmadi, M. (2017), Statistical ranking of different VaR and ES models by using Model Confidence Set approach for the banking industry: With an emphasis on Conditional Extreme Value Theory. Financial engineering and security management, 8(30), 131-146. (in Persian)
Scargle, J. D. (1982). Studies in astronomical time series analysis. Astrophysical Journal, 343, 835-853.
Schwarzenberg, A., Czerny, P. (1998). The distribution of empirical periodograms: Lomb–Scargle and PDM spectra. Monthly Notices of the Royal Astronomical Society, 3(21), 831-840.
Shahrzadi, M., Foroghi, D., & Amiri, H. (2019). The Effect of Left Tail Risk on Expected Excess Returns and Its Consequences on the Persistence of Left Tail Returns. Financial Research Journal, 21(4), 593-611. (in Persian)
تحقیقات مالی
دوره 22، شماره 4
1399
صفحه 594-611

فایل ها

هم رسانی

ارجاع به این مقاله

آمار