فیلترینگ یک طرفه و دوطرفه ریسک با استفاده از مدل عاملی پویای تعمیم یافته در بورس اوراق بهادار تهران

برآورد ریسک بدون در نظر گرفتن عوامل مرتبط و فقط با تمرکز بر روی چند سری معادلات، پیش‌بینی‌های غیرمعمولی را ایجاد می‌کند. در این مطالعه از اطلاعات یک صفحه بزرگ‌سری‌های زمانی و روشی جدید برای برآورد ریسک استفاده نمودیم. این برآورد با استفاده از بازده داده‌های روزانه سری زمانی 25 شاخص‌ مختلف بورس اوراق بهادار تهران در بازه ده‌ساله از 1387 الی 1397 بر اساس یک مدل عاملی پویای تعمیم‌یافته (gdfm) انجام شد. ابتدا با استفاده از مدل عاملی پویای توسعه‌یافته توسط فورنی و همکاران نسبت به تعیین تعداد عوامل استاتیک و دینامیک مدل عاملی اقدام نموده و در ادامه نوسانات جزء مشترک سری‌های تحت مطالعه را با کمک نرم‌افزار matlab فیلتر نموده و به‌عنوان ریسک بورس اوراق بهادار تهران برآورد نمودیم. در ادامه از روش حداقل مربعات تعمیم‌یافته (gls)، تاثیر ریسک‌های فیلتر شده را بر روی بازده شاخص کل بورس موردبررسی قراردادیم. نتایج نشان داد اگر چه ریسکهای برآورد شده از طریق فیلترینگ یک‌طرفه و فیلترینگ دوطرفه به‌صورت معنی‌داری تغییرات بازده شاخص کل بورس موردمطالعه را توضیح می‌دهند، اما ریسک برآورد شده از طریق فیلتر دوطرفه با استفاده از مدل عاملی پویای تعمیم‌یافته، تغییرات بازده را بسیار بهتر از فیلتر یک‌طرفه با استفاده از همان مدل توضیح می‌دهد.

One-way and two-way risk filtering using generalized dynamic factor model in Tehran Stock Exchange

AbstractAccording to statistics, risk estimation makes unusual predictions without focusing on the relevant factors and only focusing on a set of equations. In this study, we used a spreadsheet data set of time series and a new method for risk estimation. This estimation was based on a generalized dynamic factor model (GDFM) and daily data series obtained from different measures of Tehran Stock Exchange over a 10year period during 2008 to 2018. we first utilized a generalized dynamic factor model proposed by Forni et al in order to determine statistic and dynamic factors. In the second step, by using MATLAB, we estimated the joint component of the study series as Tehran Stock Exchange risk. Next, using the generalized least squares (GLS) method, we examined the impact of each of the filtered risks on the index returns. The results showed that although both risks estimated through oneside and twoside filtering substantially and significantly explain the changes in the performance of the studied indices, but the risk estimated through twoside filtering using GDFM can explain the returns changes much better and more accurate than the oneside filter using the same model.