تجزیه و تحلیل رفتار چرخه ای در سریهای زمانی بازدهی بازار سهام

قیمت: 48,000 تومان

دانلود رایگان مقاله

خرید ترجمه مقاله

عنوان فارسی

تجزیه و تحلیل رفتار چرخه ای در سریهای زمانی بازدهی بازار سهام

عنوان لاتین

Analysis of cyclical behavior in time series of stock market returns

در این مقاله ما خصوصیات مقیاس گذاری و رفتار چرخه ای سه نوع از سری زمانی شاخصهای بازار سهام (SMI) را مورد تجزیه و تحلیل قرار داده ایم: داده های متعلق به بازارهای سهام اقتصادهای توسعه یافته، اقتصادهای نوظهور و اقتصادهای توسعه نیافته یا انتقالی. ما از دو تکنیک آنالیز داده ها برای بدست آوردن و ممیزی به یافته های خود استفاده کرده ایم: آنالیز طیفی تبدیل موجک (WT) جهت شناسائی چرخه ها در داده های بازدهی SMI، و آنالیز میانگین حرکت جدا افتاده متکی بر زمان (tdDMA) برای بررسی رفتارهای محلی در رابطه با چرخه ها و روندهای بازار. ما رفتار چرخه ای را در تمامی مجموعه داده های SMI که مورد تجزیه و تحلیل قرار داده ایم، یافتیم. علاوه بر این، به نظر می رسد که موقعیتها و حدومرزهای فواصل زمانی چرخه ای که ما یافتیم، برای تمامی بازارها در مجموعه داده های ما مشترک باشند. ما وجود نه عدد از چنین دوره هائی را در داده های SMI خود فهرست نموده و مشخص می سازیم. ما درمورد احتمالات تفکیک قائل شدن بین سطح رشد بازارهای آنالیز شده به روش آنالیز آماری خصوصیات طیف موجکی که مشخصه رفتارهای اوج خاصی است، گزارش می دهیم. نتایج ما نشان می دهند که معیارهائی چون محتوای انرژی نسبی WT و دامنه نسبی اوجهای WT در مناطق با مقیاس کوچک می توانند برای تمایز حدودی قائل شدن بین اقتصادهای بازار مورد استفاده قرار گیرند. در نهایت، راهی را برای تعیین کمیت سطح توسعه یک بازار سهام برمبنای برآوردی از پیچیدگی محلی سریهای SMI بازار پیشنهاد می دهیم. از معیارهای مقیاس گذاری محلی محاسبه شده برای نه منطقه پیک خود، آنچه را که شاخص توسعه نام نهادیم تعریف کرده ایم، که لااقل در مورد مجموعه داده های ما ثابت شده است که برای رتبه بندی سریهای SMI که در سه گروه مجزا مورد آنالیز قرار داده ایم، مناسب می باشد.

In this paper we have analyzed scaling properties and cyclical behavior of the three types of stock market indexes (SMI) time series: data belonging to stock markets of developed economies, emerging economies, and of the underdeveloped or transitional economies. We have used two techniques of data analysis to obtain and verify our findings: the wavelet transform (WT) spectral analysis to identify cycles in the SMI returns data, and the time-dependent detrended moving average (tdDMA) analysis to investigate local behavior around market cycles and trends. We found cyclical behavior in all SMI data sets that we have analyzed. Moreover, the positions and the boundaries of cyclical intervals that we found seam to be common for all markets in our dataset. We list and illustrate the presence of nine such periods in our SMI data. We report on the possibilities to differentiate between the level of growth of the analyzed markets by way of statistical analysis of the properties of wavelet spectra that characterize particular peak behaviors. Our results show that measures like the relative WT energy content and the relative WT amplitude of the peaks in the small scales region could be used to partially differentiate between market economies. Finally, we propose a way to quantify the level of development of a stock market based on estimation of local complexity of market’s SMI series. From the local scaling exponents calculated for our nine peak regions we have defined what we named the Development Index, which proved, at least in the case of our dataset, to be suitable to rank the SMI series that we have analyzed in three distinct groups.