منابع مقالات علمی : تاثیر نوسانات بازار سهام بر عملکرد شرکت ها- قسمت 10

منابع مقالات علمی :
تاثیر نوسانات بازار سهام بر عملکرد شرکت ها- قسمت 10

3-1-5-5 مدل میانگین وزنی متحرک نمایی[33] (EWMA)
این مدل مشابه مدل بالایی بوده اما نوسانی که در گذشته مشاهده شده با یک پیش بینی با میانگین متحرک جایگزین می شود به شکل زیر:
(2-6)
این مدل بسط اندازه گیری نوسان تاریخی بوده که به مشاهدات جدید این اجازه را می دهد تا تاثیر قوی تری بر پیش بینی نوسان نسبت به مشاهدات قبلی داشته باشند. زمانی که مدل EWMA به کار گرفته شد مشاهده آخر بیشترین وزن را گرفته و وزنهای مربوط به مشاهدات قبلی به صورت نمایی در طول زمان کاهش می یابد. در تضاد با مدل نوسان تاریخی ساده نوسان نسبت به رویدادهای اخیری که وزن بیشتری را به خود اختصاص داده اند نسبت به رویدادهایی که در گذشته های دور رخ داده اند تاثیر بیشتری می پذیرد و تاثیر یک مشاهده مفرد با نرخی نمایی کاهش می یابد.
2-1-5-6 روش هموارسازی نمایی متغیر[34]
این مدلها به متغیرها این اجازه را می دهد تا در طول زمان به منظور سازگاری با تغببرات در ویژگی های سری های زمانی تغییر نمایند. تیلور [35](2004) استفاده از عملکرد منطقی یک کاربر را پیشنهاد می دهد که به عنوان یک متغیر هموار قابل انطباق متغیر تعیین می شود. در چهارچوب مدلسازی پیش بینی نوسان این مسئله به صورت زیر فرموله می شود:
(2-7)
این متغیر (smoothing) بین صفر و یک تغییر می کند و با تغییرات در متغیر انتقالی Vt سازگار می شود و جایی که tɛ و |tɛ| به همین طریق به عنوان متغیرهای انتقالی مورد استفاده قرار می گیرند علامت و اندازه تغییرات گذشته به عنوان متغیرهای انتقالی در مدلهای گارچ[36] غیرخطی مورد استفاده قرار می گیرند (تیلور 2001). به گفته گرانگر و پون[37] (2003) و مدل انتقالی هموار یک حالت منعطف تر مدل هموارسازی نمایی است˓ چرا که وزن به اندازه و علامت بازده قبلی بستگی دارد. این رویه مشابه مدلهای گارچ است که به محرکهای واریانس شرطی اجازه میدهد تا تحت تاثیر اثر اهرمی و تداوم نوسان – که در بازار سهام مطرح می شوند – قرار گیرند.
2-1-6 سایر مدلها
به علت محبوبیت موضوع مدلسازی و پیش بینی نوسانات چندین مدل دیگر پیشنهاد شده است. این لیست نیز گسترده بوده و به همین دلیل تنها به چند مورد اشاره می کنیم. قبلا ذکر شد که یک معیار ساده برای انحراف استاندارد˓ بازده های یک شاخص است. بکتی و سلون (1991) نوسان را از طریق انحراف استاندارد سالانه بازده های ماهانه در S&P اندازه گیری کردند. این معیاری از پراکندگی بازده های ماهانه در زمینه بازده میانگین برای هر سال است. روش دیگر برای اندازه گیری نوسان نرمال دوباره به وسیله همین دو محقق با استفاده از چارک و فاصله بین یک چهارم و سه چهارم بازده ماهانه در یک سال عنوان شد.
در مقاله ای که در سال 2003 توسط پون و گرانگر ارائه شد این دو محقق تلاش کردند تا تمایزی میان انحراف استاندارد نوسان و ریسک برقرار نمایند. انحراف استاندارد یا واریانس از طریق مجموعه ای از مشاهدات به شرح زیر محاسبه می شوند:
(2-8)
در اینجا  میانگین بازده است. بحثی که اینجا مطرح است این است که انحراف استاندارد تنها معیار پراکندگی صحیح برای معیار پراکندگی نرمال در توزیع نرمال است. رابطه بین ریسک و نوسان یک رابطه بحث برانگیز است. ریسک معمولا مربوط به بازده های منفی و کوچک است در حالی که اغلب معیارهای پراکندگی تمایزی در این زمینه قائل نمی شوند. دو نمونه که توسط پون و گرانگر (2003) ذکر شد شامل: 1. نرخ شارپ است با این فرمول: انحراف استاندارد /(بازده بدون ریسک –بازده سهم ) که عمدتا به عنوان معیار عملکرد سرمایه گذاری مورد استفاده قرار می گیرد. 2. نیمه واریانس است. مفهومی که توسط هری مارکویتز [38] عنوان شد که تنها مربع بازده هایی که زیر میانگین هستند مورد استفاده قرار می گیرند اما این روش در عمل چندان ساده نیست و به صورت گسترده مورد عمل قرار نمی گیرد.
2-1-6-1 نوسانات تصادفی [39]
مدلهای نوسان تصادفی توسط پیت[40] (1983) و تیلور [41](1982) به عنوان یک راه مناسب برای توصیف نوسانات با زمانهای متغیر جهت تشخیص بازده ها معرفی شد. در میان مدلهای پیش بینی سریهای زمانی مالی از آنجاییکه این مدلها توانایی ارزیابی تغییرات واریانس سهام یا نرخ ارز که در طی زمان مشاهده می شوند را دارد به عنوان یکی از مهمترین مدلها محسوب می شوند. نوسان تصادفی نقش مهمی در پیش بینی های مالی دارد زیرا می تواند به خوبی میزان تورم را در ارزش سرمایه و کمیتهای تصادفی که اغلب تغییرات ناگهانی قیمت پدید می آورند اندازه گیری کند.
یکی از دلایل اصلی استفاده از مدلهای [42]SV توانایی آنها در مدل بندی نوسانات است. در سریهای زمانی مالی ویزگی های خاص و معینی از نوسانات که در بازده مالی بدیهی است اغلب قابل مشاهده است. این ویزگی ها که در مقاله آیدمیر[43] (1998) به آنها اشاره شده است نقش مهمی در ساختار و انتخاب مدل ایفا می کنند که به چند مورد در زیر اشاره می شود:
داده های مشاهده شده از مندلبورت و فاما [44](1963) نشان دادند که میزان کشیدگی بازده های مالی حاکی از آنند که توزیع بازده ها دمهایی پهن تر نسبت به توزیع نرمال دارند.
نوسانات اثرات نامتوازن و اهرمی دارند. بلک [45](1976) نشان داد که بین نوسانات و حرکات سرمایه های موجود ارتباط خطی منفی وجود دارد. انجل [46](1993) اثرات مثبت یا منفی بازده ها بر نوسانات آینده را مورد بررسی قرار داد.این تاثیرات اغلب

این مطلب را هم بخوانید :  حل مسأله زمان‌بندی جریان‌کارگاهی با فرض عدم‌توقف‌ به روش ابتکاری- قسمت 34

دانلود متن کامل پایان نامه در سایت jemo.ir موجود است

بازتاب خبرهای خوب یا بد بازار افزایش یا کاهش غیرمنتظره در سرمایه است.هم چنین او دریافت که خبرهای بد نسبت به خبرهای خوب نوسانات را بیشتر افزایش می دهد.
قانون دیگر حرکت فعل و انفعالی بین بازارها بخشهای سرمایه در یک حوزه شاخص ها یا نرخهای جاری ارز است که به عنوان همبستگی از آنها یاد می شود.
مدلهای SV در بین استفاده کنندگان تحلیلهای آماری در بررسی مسایل اقتصادی از سال 1970 بسیار رایج شد. زیرا در این مدلها˓ نوسانات بوسیله مشاهدات گذشته با استفاده از تغییرات واریانس همانند مدلهای ARCH مدل بندی نمی شوند.بلکه در این مدلها واریانسها یک ساختار تغییراتی پنهان دارند.بررسی های کلاسیک و نوین روی ریز ساختارهای بازار مالی نوسانات تصادفی را به عنوان جریان ناهموار و تصادفی اطلاعات جدید بازار مالی تعریف می کنند. مدلهای SV در بسیاری از مطالعات کمی مالی مانند قیمتهای اختیاری مدیریت ریسک مقادیر در معرض خطر (VAR) ریسک مالی ریسک باورمند و ریسک عملکرد به کار گرفته می شود. این مدلها با فرض نرمال بودن توزیع بازده ها ایجاد شد و سپس تحلیلهای بیزی با استفاده از روشهای MCMC [47]در مورد آنها بسط و گسترس یافت. کیم [48](2000) توزیع لگاریتم توان دوم بازده ها را با یک توزیع آمیخته گسسته از توزیع های نرمال متعدد تقریب زد. متاسفانه فرض نرمال بودن بسیار محدود کننده˓ نسبت به مشاهدات پرت بسیار حساس است. در واقع کوچکترین تغییر در توزیع داده ها اثر بسیار زیادی بر استنباط خواهد داشت.
مدلهای نوسان تصادفی ابتدا با مدل بندی تغییرات واریانس سری های زمانی داده های مالی معرفی شدند. محققان˓ تغییرات اثرات اهرمی (نامتقارن) پرش مولفه ها و خطاهایی با دم های پهن را در شناسایی بازده ها بسیار مهم دانستند و هم چنین نشان دادند که توزیع بازده های مالی دم هایی پهن تر از توزیع نرمال دارند.توزیع های زیادی نظیر توزیع تی اسلش و توزیع واریانس گاما در مدلهای نوسان تصادفی به کار رفته است که همه آنها دم هایی پهن تر از توزیع نرمال داشته و استواری استنباط های آماری در آنها و نسبت به مشاهدات پرت از حساسیت کمتری برخوردارند.
2-1-6-2 نوسان ضمنی
همانطور که در قسمتهای قبل عنوان شد فرمول قیمت گذاری قرارداد اختیار معامله بلک – اسکولز عنوان می کند که قیمت اختیار معامله تابعی از قیمت دارایی˓ قیمت توافقی˓ نرخ بهره بدون ریسک˓ زمان باقی مانده تا سررسید قرارداد اختیار معامله و نوسان دارایی است. تمامی پارامترهای بالا قابل مشاهده هستند اما نوسانی که در قیمت بازار قرارداد اختیار معامله نهفته است تنها از طریق یک مدل قیمت گذاری قابل استخراج است. به این نوسان نوسان ضمنی می گویند. نوسان ضمنی اغلب به عنوان انتظار بازار از نوسان تا زمان سررسید قرارداد اختیار معامله تفسیر می شود. چند مورد از مطالعاتی که مدل قیمت گذاری قرارداد اختیار معامله بلک – اسکولز در آنها مورد استفاده قرار گرفت مطالعات رندلمان و لاتان[49](1976)˓ ماناستر و چیراس[50](1978) و بکرز[51](1981) می باشد. مطالعات بیشتری همچنین نوسان ضمنی را به عنوان منبعی از اطلاعات تعیین نموده اند. برای مثال مطالعاتی که توسط دی و لوییس[52](1990) انجام شد به این نتیجه رسید که مدلهای سری زمانی نوسان شرطی حاکی از نوسان ضمنی بوده و لامورکس و لاستراپس[53](1993) دریافتند که اطلاعاتی که در نوسان تاریخی وجود دارد بهتر و مؤثرتر از اطلاعاتی است که در نوسان ضمنی وجود دارد. علاوه بر این کانینا و فیگلوسکی[54](1993) دریافت که نوسان ضمنی هیچگونه ارتباطی با نوسانات آتی نداشته و بنابراین به منظور تخمین نوسانات بازار نباید تنها به نوسانات ضمنی تکیه نمود.
از طرف دیگر تعداد زیادی از مطالعات در پیشینه رساله یافت می شود که در آنها برتری نوسان ضمنی مورد حمایت قرار گرفته است. برای مثال کارهایی که توسط جوریون[55](1995)˓ فلمینگ[56](1998)˓ پرابهالا و کریستنسن[57])1998) و هنسن و کریستنسن[58](2002) انجام گرفت. اخیرا پرابهالا˓ هنسن و کریستنسن[59](2001)˓ بلیر ˓ پون وتیلور[60] (2001)˓ ادرینتون و گوان[61](2002)˓ پنگ و جیانگ[62](2004) مجموعه ای بزرگتر از داده ها و گزارشاتی متناوبتر به منظور ایجاد تغییرات ساختاری اتخاذ کردند و نتیجه گیری شد که نوسان ضمنی یک پیش بینی موثرتر برای نوسان آتی نسبت به نوسان تاریخی است. در تازه ترین مقاله که توسط پون و گرنگر (2005) ارائه شد این نتیجه گیری صورت گرفت که توانایی پیش بینی نوسان ضمنی نمی تواند در مقایسه با مدلهای نوسان دیگر نادیده گرفته شود یا دست کم گرفته شود. به ویژه اینکه نوسان ضمنی توانایی های پیش بینی برتری را به نمایش گذاشته است و باعث ایجاد مدلهای نوسان تاریخی بسیاری شده و عملکرد پیش بینی ها را که از سری های زمانی که از داده های زیاد با تناوب بالا تشکیل شده اند را با هم منطبق می کند.
2-1-7 ویژگی های آماری بازده سهام
با توجه به پژوهش بنیادی مندلبروت[63] (1963) و فاما[64] (1965) و محققان زیادی گزارش کردند که توزیع تجربی بازده سهام عمدتا غیر نرمال است. به خصوص کشیدگی سری های زمانی بازده سهام بزرگتر از توزیع نرمال است. توزیع بازده سهام می تواند دارای چولگی باشد خواه به طرف راست و یا خواه به طرف چپ و واریانس بازده سهام در طول زمان ممکن است پایدار نبوده و نوسان واقعی به صورت خوشه ای ارائه می شود.
محققان این مسئله را به عنوان تداوم نوسان بازار سهام در نظر
گرفته و تحلیلگران مالی آن را عدم قطعیت یا ریسک خطاب می کنند. نوسان از طریق واریانس و کوواریانس اندازه گیری می شود و این مسئله دهه هاست که مورد پذیرش قرار گرفته است (چونگ[65]˓ 1999). به منظور انتخاب یک مدل نوسان مناسب˓ ما باید ایده مناسبی در زمینه انتخاب ویژگی های تجربی که مدل باید اتخاذ نماید داشته باشیم. چند مورد از مشخصات مهم برای بازده های دارایی در زیر ارائه شده است.
2-1-7-1 دنباله بزرگ
بازده دارایی لپتوکورتیک[66] است (نرمال ولی با کشیدگی بیشتر از تابع نرمال). طبق مدلهای بازده دارایی بازده های دارایی دارای توزیعی با دنباله بزرگ هستند و به عنوان توزیعی مستقل مدل سازی می شوند. این مشخصه توسط مندلبورت (1963)˓ فاما ( 1963˓-1965 )˓ کلارک[67] (1973) و بلتبرگ و گوندس[68] (1974) مستند شده است. برای درک هرچه بهتر این تابع (لپتوکورتیک)˓ نمودار 1 ارائه شده است.
نمودار 2-1 نمایش تابع لپتوکورتیک
2-1-7-2 نوسان خوشه ای
نوسان خوشه ای توسط مندلبورت در سال (1963) عنوان شد. این پدیده زمانی که بازده دارایی ها در طول زمان ترسیم می شوند قابل مشاهده است. بازده های دارای نوسان خوشه ای و دنباله بزرگ رابطه ای بسیار نزدیک با یکدیگر دارند. نمودار زیر نمونه ای از نوسانات خوشه ای مربوط به بازده دارایی ها است.
نمودار 2-2 نوسانات خوشه ای بازده دارایی ها
2-1-7-3 اثر اهرمی
تئوری اثر اهرمی به رابطه منفی بازده سهام با ریسک دلالت دارد. یعنی اگر بازده سهام افزایش پیدا کند میزان نوسانات سهام کاهش خواهد یافت و در صورت کاهش بازده سهام میزان نوسانات بنگاه افزایش خواهد یافت. اثر اهرمی ابتدا توسط بلک (1976) مطرح شد. او معتقد بود که تغییرات ساختار سرمایه بنگاه یا به عبارتی تغییر نسبت بدهی به دارایی (نسبت اهرم) در میزان نوسانات سهام بنگاه موثر است. بلک نشان داد که تغییر ارزش بنگاه در حالی که موجب کاهش ارزش دارایی ها می شود تاثیر چندانی بر ارزش بدهی های بنگاه ندارد. کاهش ارزش بنگاه بیشتر موجب کاهش ارزش دارایی و سهام بنگاه می شود. بنابراین نسبت اهرم افزایش می یابد و این افزایش احتمالا افزایش نوسانات سهام را موجب خواهد شد.
2-1-7-4 دوره های غیرتجاری
اطلاعاتی که در زمان بسته شدن بازارهای مالی گردآوری می شوند در زمان دوباره باز شدن بازارها منعکس می شوند. برای مثال اطلاعاتی که با یک نرخ پایداردر طول زمان انباشته می شود واریانس بازده ها در طول یک دوره از جمعه تا دوشنبه (تعطیلی بازار) سه برابر واریانس بازده ها از دوشنبه تا سه شنبه (تعطیلی بازار) است. طبق فاما (1965) و رول و فرنچ[69] (1986) اطلاعات در تعطیلی بازار با سرعتی پایینتر نسبت به زمانی که آنها باز و فعال هستند انباشته می شوند. انحرافات بعد از آخر هفته ها و تعطیلات بیشتر هستند اما نه به اندازه زمانی که سرعت انباشت اطلاعات ثابت است. برای مثال رول و فرنچ (1986) پی بردند که نوسان در زمانی که بازارها فعال هستند به طور متوسط در هر ساعت 70 بار نسبت به زمانی که بازارها غیرفعالند بیشتر است.

این مطلب را هم بخوانید :  ضمان پزشک مطالعه تطبیقی در حقوق ایران ومصر- قسمت 9

مدیر سایت