مدل‌سازی سری‌ زمانی مقادیر فرین بر اساس رویکرد تحلیل طیفی

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 1377 تا 1397 (20 سال) و 105 شرکت پذیرفته‌ شده در بورس اوراق بهادار تهران استفاده شده است.یافته‌ها: با استفاده از یافته‌های حاصل از روش ارائه ‌شده، چرخه 460روزه 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.

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

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 multiharmonic 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 19981997 (20 years) and includes 105 companies listed on the Tehran Stock Exchange.Results: The results showed that using the findings of the proposed 460day cycle method, the most appropriate and highquality 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 timeseries analysis and spectral analysis has the necessary competence in describing the timeseries behavior of corporate stock returns. Therefore, the proposed model can be used for forecasting and analysis in the capital market.