مبانی نظری و پیشینه پژوهشی ارزیابی نوسانات قیمت سهام با استفاده از شبیه سازی مونت کارلو

با سحافایل در خدمت شما هستیم با «پیشینه پژوهشی و تحقیق و مبانی نظری ارزیابی نوسانات قیمت سهام با استفاده از شبیه سازی مونت کارلو» که بطور کامل و جامع به این مبحث پرداخته و نیاز شما را به هرگونه جستجوی بیشتری برطرف خواهد نمود.

فهرست محتوا

فصل دوم : مروری بر تحقیقات انجام شده

2-1. مقدمه17

2-2. مروري بر ادبيات تحقيق18

2-2-1. تحقیقات داخلی18

2-2-2. تحقیقات خارجی24

2-3. سری های زمانی30

2-3-1. روش های تحلیل سری های زمانی31

2-3-2. ویژگی های سری های زمانی31

2-3-3. مدل سازی سری های زمانی31

2-3-4. معیارهای اطلاعاتی آکائیک و شوارتز32

2-3-5. روش باکس- جینز33

2-3-6. تبدیلات33

2-3-7. پیش بینی35

2-3-8. انواع واريانس36

2-3-9. ويژگي هاي سري هاي زماني مالي37

2-4. واريانس ناهمساني شرطي اتورگرسيو تعميم يافته(گارچ 39

2-4-1. فرآيند GARCH(p,q) 39

2-4-2. فرآيند GARCH(1,1) 41

2-4-3. آزمون مدل گارچ.. 42

2-4-4. تخمين حداكثر درستنمايي در مدلهاي گارچ44

2-5. شبيه سازي مونت كارلو46

2-5-1. تاريخچه شبيه سازي مونت كارلو47

2-5-2. اعدادتصادفي48

2-5-3. توليد كننده هاي اعداد تصادفي50

2-5-4. روش هاي توليد اعداد تصادفي52

2-5-5. فرآيند شبيه سازي مونت كارلو52

2-5-6. روش هاي شبيه سازي مونت كارلو53

2-5-7. كاربردهاي شبيه سازي مونت كارلو54

2-5-8. مزايا و معايب شبيه سازي مونت كالو56

فهرست منابع

منابع فارسی95

منابع غیرفارسی97

مقدمه

در يك بازاركارا كليه اطلاعات موجود در قيمت هاي جاري موجود منعكس گرديده است، به گونه اي كه پيش بيني قيمت هاي آتي امكان پذير نمي باشد. هر چند وجود رويدادهاي اصلي قابل مشاهده مالي از قبيل اثرات فصلي، اثرات آخر هفته، اثرات شروع سال جديد[1] و تلاطم خوشه اي مطالعه بازار سهام را به عنوان موضوع پر اهميتي براي تحقيقات شكل داده اند.

تلاطم بازار سهام، موضوعي مورد علاقه در ادبيات موضوع علم مالي در چند دهه اخير به شمار مي رود. كاركرد اصلي بازارهاي مالي در اقتصاد، فراهم نمودن روشي براي هدايت و تخصيص سرمايه از سوي پس اندازكنندگان به سوي سرمايه گذاران مي باشد. در حين اين فرآيند، قيمت دارايي هاي مالي بواسطه نوسانات فعاليت هاي اقتصادي، با شكلي از تلاطم قيمت مواجه مي شوند كه اين نوسانات در قيمت ها به عنوان رخدادي معمول در عملكرد بازار محسوب مي گردند. ليكن با يافتن الگوهاي تلاطمي براي سهم هاي موجود در بازار و استفاده از قابليت پيش بيني قيمت سهام، مي توان روند هموارتر و كاراتري براي تخصيص سرمايه ها ايجاد نمود. از جمله الگوهاي تلاطمي بازده سهام، الگوهاي تلاطم خوشه اي مي باشند. مدل سازي تلاطم بازده در بازارهاي سهام، از منظر پژوهشگران دانشگاهي و نيز از ديدگاه كارپردازان علم مالي، به لحاظ موارد استفاده آن در پيش بيني بازده سهام، موضوع با اهميتي به نظر مي رسد. اين پيش بيني ها در مواردي چون مديريت ريسك، قيمت گذاري مشتقات مالي و پوشش ريسك ناشي از آنها، بازارسازي، انتخاب سبدهاي مالي و خيلي از فعاليت هاي مالي ديگر مي تواند مورد استفاده قرار گيرد. از اين جهت تخمين تلاطم در بازارهاي مالي اهميت مي يابد. اهميت اين موضوع با نگاهي به كتابها و مقالات منتشره در زمينه تلاطم بازده و قابليت هاي پيش بيني مدل هاي تلاطمي متعدد بيشتر نمايان مي گردد و اهميت تلاطم را در سرمايه گذاري ارزش گذاري اوراق بهادار، مديريت ريسك و اتخاذ سياست هاي پولي منعكس مي گردد. بنابر همين واقعيت، هر چند تلاطم همان ريسك محسوب نمي شود، ولي دانستن مقادير تلاطم بخاطر ارتباط آن با ريسك مهم است. زماني كه تلاطم را به معناي عدم اطمينان تفسير كنيم، در آن صورت به عنوان يكي از عوامل تاثير گذار مهم در تصميمات سرمايه گذاري و ايجاد سبد دارايي مطرح مي گردد. در واقع تلاطم مهمرين متغير در قيمت گذاري مشتقات مالي محسوب مي شود. از اين حيث اندازه گيري دقيق و صحيح تلاطم به منظور قيمت گذاري اين ابزارهاي مالي موردنياز مي باشد. ( پون و گرنچر، 2003، ص478-539) . در ارتباط با مسائل اقتصادي و سري هاي زماني مالي، مدل هاي متعددي براي نماياندن تلاطم واريانس شرطي ساخته شده اند. يك فرض اوليه به هنگام مدل سازي تلاطم اين است كه مي توان تلاطم را به دو بخش قابل پيش بيني و غيرقابل پيش بيني تقسيم كرد. با توجه به اين حقيقت كه در سري هاي زماني مالي، ارزش اضافه ريسك تابعي از تلاطم بازده مي باشد، تمركز تحقيقات علمي بر جزء قابل پيش بيني تلاطم بازده مي باشد. ( پگان و شوارتز[2]، 1990، ص267-290)

در اين فصل ابتدا در مرور ادبيات تحقيق، دو گروه تحقيقات خارجي و تحقيقات داخلي مورد توجه قرار مي گيرد و نمونه هايي از مطالعات صورت گرفته در مورد موضوع پيش بيني نوسان ذكر شده است و تاكيد اصلي بر مطالعاتي است كه با استفاده از روش هاي مختلف بدنبال پيش بيني نوسان بوده اند، مي باشد.سپس مطالبي در مورد سري هاي زماني بيان مي شود، به اين دليل كه سري هاي زماني براي فعالان بازار و پژوهشگران مالي داراي جذابيت زيادي هستند و تلاش بسياري براي درك ويژگي ها، تعيين نوع ساختار و پيش بيني اين سري ها صورت ميگيرد. در قسمت بعد، مفاهيم پايه اي مدل هاي ناهمساني واريانس خودرگرسيو بطور خلاصه مطرح خواهد شد و از ميان مدل هاي متنوع اين خانواده، بر مدل گارچ ساده و خواستگاه تئوريك آن تمركز خواهد گرديد. سپس در ادامه به تشريح مفاهيم اوليه شبيه سازي مونت كارلو پرداخته خواهد شد.

فهرست منابع

منابع فارسی

کتب

راعی، ر؛ تلنگی، ا. 1383. مدیریت سرمایه گذاری پیشرفته . تهران :انتشارات سمت، 600 صفحه

پایان نامه ها

ابراهيمي، ع. 1385. مدل هاي گارچ و آرچ و كاربرد آنها در تحليل هاي اقتصادي . پايان نامه     كارشناسي ارشد، دانشگاه اصفهان دانشكده علوم

سعيدي، ح. 1391. پيش بيني نوسانات بازدهي با استفاده از مدل هاي تركيبي گارچ-شبكه عصبي مصنوعي. پايان نامه كارشناسي ارشد، دانشكده مديريت دانشگاه تهران.

صمدي گمچي، ب. 1386. مدلسازي تلاطم در شاخص قيمت بورس تهران با استفاده از مدل هاي گارچ و معرفي الگوي مناسب براي تعيين ارزش در معرض خطر . پايان نامه كارشناسي ارشد. دانشكده مديريت و اقتصاد، دانشگاه صنعتي شريف،

معارفيان، م. 1389. سنجش كارائي شبيه سازي شبه مونت كارلو در تخمين ارزش در معرض خطر براي بورس اوراق بهادار تهران. پايان نامه كارشناسي ارشد، دانشكده مديريت دانشگاه تهران.

نظيفي نائيني، م. (1390). مدلهاي گارچ در پيش بيني نوسانات بازار سهام. پايان نامه كارشناسي ارشد، دانشكده اقتصاد دانشگاه رازي.

پژوهش ها

ابونوري، ا؛ موتمني، م.  1385 . بررسي همزمان اثر اهرمي و بازخورد نوسانات در بازار سهام تهران،  تحقيقات اقتصادي، شماره 76 ، ص 101 تا 117

پیروتی، ج؛ جعفری، ق؛ ایزدی نیا،ن. (1390). تحلیل چند فراکتالی نوسانات روندزدایی شده            شاخص کل بورس اوراق بهادار تهران. فصلنامه بورس اوراق بهادار، شماره14، ص115-134

تهراني ،ر؛محمدي،ش؛ پورابراهيمي، م. 1389 .  مدل سازي و پيش بيني نوسانات بازده در بورس           اوراق بهادار تهران، تحقيقات مالي دوره 12 شماره 30 ص 23 تا 34

رجبی پورمیبدی، ع؛ فرید، د؛ میرفخرالدینی، ح. 1389. کاربست VAR و انتخاب پرتفوی بهینه با استفاده از شبیه سازی مونت کارلو دربورس اوراق بهادار تهران. دانش و توسعه، شماره 31، ص 96-119

سلامی،ا. 1382. مروری بر شبیه سازی مونت کارلو، پژوهشنامه اقتصادی،شماره 8، ص117-138

شاهمرادي، ا؛ زنگنه؛ م. 1386. محاسبه ارزش در معرض خطر براي شاخص هاي عمده بورس اوراق بهادار تهران با استفاده از روش پارامتريك. تحقيقات اقتصادي، شماره 79، ص121-149

شاهویری، م؛ امیری، م؛ نصرالهی، ز. 1389. مقایسه مدل خودرگرسیونی واریانس ناهمسانی شرطی تعمیم یافته و شبیه سازی مونت کارلو برای تخمین ارزش درمعرض ریسک پورتفولیوی ارز. پژوهشنامه اقتصادی، شماره 3، ص 141-117

صمدی، م؛ مهدوی، غ. 1391. بررسی مقایسه ای ارزش در معرض خطر با استفاده از روش شبیه سازی مونت کارلوی تعدیل نشده و تعدیل شده. پژوهشنامه بیمه، شماره1، ص 49-73

كشاورز حداد، غ؛ صمدي، ب. 1388. برآورد و پيش بيني تلاطم بازدهي در بازار سهام تهران و مقايسه دقت روش ها در تخمين ارزش در معرض خطر: كاربردي از مدل هاي خانواده FIGARCH . تحقيقات اقتصادي، شماره 86

محمدي، ش؛ راعي، ر؛ تهراني، ر؛ فيض آباد، آ. (1388). مدل سازي نوسان در بورس اوراق بهادار تهران. تحقيقات مالي، دوره 11 شماره 27، ص 97-110

نصیری، س؛ محمدي، ت. 1389. مقایسه مدل های ریسک متریک و گارچ در پیش بینی نوسانات شاخص بازده کل بورس اوراق بهادار تهران. مطالعات مالي،شماره 6، ص 95-118

سایتهای اینترنتی

Zavari rezai, A. 1390. Financial Physics: It’s Implications and Place in a Financial System. available from: http://azrurmia.blogfa.com/post-1169.aspx. [ Accessed 1390/01/15]

منابع غیرفارسی

Books

Aydemir, A. B., Volatility Modelling in Finance, In Knight, J., and Satchell, S., 2002, Forecasting Volatility in the Financial Markets, Butterworth-Heinemann Finance, Second Edition, 1-45.

Chatfield, Chris, 1995, The Analysis of Time Series: An Introduction, Fifth Edition, 1-4, 10-12, 27-28, 31,

Enders, W., 2004, Applied Econometric Time Series, John Wiley & Sons, Inc., Second Edition, 50

Greene, William H., 2003, Econometric Analysis, Pearson Education, Inc., Fifth Edition,

Gujarati, Damodar N., 2004, Basic Econometrics, The McGraw-Hill Companies, Fourth Edition,

Tsay, Ruey S., 2005, Analysis of Financial Time Series, John Wiley & Sons, Inc., Second Edition,

Researchs

Abad,  P.  &  Benito,  S.  (2009)  A  Detailed  Comparison  of  Value  at  Risk  in

International  Stock  Exchanges;  Fundación  De  Las  Cajas  De  Ahorros,Documento De Trabajo (452/2009), 1-45

Akigiray, V. 1989. Conditional heteroscedasticity in time series of stock returns.

Journal of Business, 62, 55−80.

Alberg D., Shalit H., and Yosef R. 2006. Estimating Stock Market Volatility using Asymmetric GARCH Models , Discussion paper No. 06-10, Monaster Center for Economic Research. Ben-Gurion University of the Negev , Israel.

Bali, T. G., Mo, H. and Tang, Y., 2008, The Role of Autoregressive Conditional Skewness and Kurtosis in the Estimation of Conditional VaR, Journal of Banking & Finance, 32: 269-282.

Bildirici, M., Ersin, O. O. 2009. Improving forecasts of GARCH family models with the artificial neural networks: An application to the daily returns in Istanbul stock exchange. Expert Systems with Applications, 36: 7355–7362

Bohdalová,  M.  (2007)  A  Comparison  of  Value-at-Risk  Methods  for Measurement of the Financial Risk; E-Leader, Prague, 1-6.

Brailsford, T. J., & Faff, R. W. 1996. An evaluation of volatility forecasting techniques. Journal of Banking and Finance, 20, 419−438.

Cumby, R., Figlewski, S., & Hasbrouck, J. 1993. Forecasting volatility and correlations with EGARCH models. Journal of Derivatives, 1, 51−63.

Davidson, R., and Mackinnon, J. G., 1999, Foundations of Econometrics, Oxford Press,

2011. E. Allen, R. R. Boffey and R. Powell.2011. A Quantile Monte Carlo approach to measuring extreme credit risk. School of Accounting, Finance and Economics & FEMARC Working Paper Series, Edith Cowan University

Dimson, E. and Marsh, P.R. 1990.Volatility forecasting without data-snooping. Journal of Banking and Finance, 14,399-421.

Engel,R.F. and Jose, G.Rangel. 2006. The Spline GARCH Model for Uncontional Volality and its Global Macroeconomic Causes, Working Paper, New York University.

Engelbrecht,  R.  (2003) A Comparison  of  Value-at-Risk  Methods  for Portfolios

Consisting  of  Interest  Rate  Swaps  and  FRAs;  Master  Thesis,  University  of

the Witwatersrand.

Floros C., (2008). Modelling volatility using GARCH models: Evidence from Egypt and Israel, Middle Eastem Finance and Economics, Vol. 2, pp. 31-41.

Franses, P. H. and Dijk, D. V., 1996, Forecasting Stock Market Volatility Using (Non-Linear) Garch Models, Journal of Forecasting, 15, 229-235.

Gavrishchaka, V.V & Banerjee, S. 2006. Support vector machine as an efficient framework  for stock market volatility forecasting, CMS , 3

Hassan, M. R., Nath, B., Kirley, M. 2007. A fusion model of HMM, ANN and GA for stock market forecasting., Expert Systems with Applications, 33: 171–180

Huang,  A.Y.,  2010.  An  optimization  process  in  Value-at-Risk stimation. Review of Financial Economics, 19(3), pp. 109-16

Figlewski, S. 1997. Forecasting volatility. Financial Markets, Institutions and Instruments,6, 1−88.

Mapa, D. S., 2004, A Forecast Comparison of Financial Volatility Models: GARCH(1,1) is not Enough, The Philippine Statistician, 53(1-4), 1-10.

Mittnik, S., and Paolella, M. S., 2000, Conditional Density and Value-at-Risk Prediction of Asian Currency Exchange Rates, Journal of Forecasting, 19, 313-333.

Pagan, A. R., & Schwert, W. 1990. Alternative models for conditional stock volatility. Journal of Econometrics, 45, 267−290.

Palit, A. K. and Popovic, D., 2005, Computational Intelligence in Time Series Forecasting : Theory and Engineering Applications, Springer-Verlag London Limited,

Pan H, Zhang Z .2005. Forecasting financial volatility: Evidence from chine’s stock market, Working papers in economics and finance, No 06/02, University of Durham.

Poon, Ser-Huang, and Clive W. J. Granger, 2003. Forecasting Volatility in Financial Markets: A Review.  Journal of Economic Literature 41, 478-539.

Roh, T. H. 2007. Forecasting the volatility of stock price index., Expert Systems with Applications, 33: 916–922.

Thapar,  R.  (2006)  Volatility  and  Value  at  Risk  Modelling  Using  Univariate

GARCH Models; Master thesis in Finance, Stockholm School of Economics.

Foreign Exchange Services (ozforex.com.au).