بررسی وجود ویژگی فراکتال در قیمت و بازده سهام شرکت‌های بورس اوراق بهادار تهران با استفاده از مدل غیر خطی arifma

شواهد بسیاری حاکی از پیچیده بودن سری‌های زمانی مانند قیمت‌های بازار سهام و تصادفی بودن آن است که این امر باعث می‌شود تا تغییرات آنها را غیرقابل پیش‌بینی کند. این درحالی‌ است که احتمال دارد این سری‌های زمانی فرآیندی غیرخطی پویای معین یا به عبارت بهتر آشوبی بوده و در نتیجه می‌توانند قابلیت پیش‌بینی داشته باشند. لذا در این پژوهش قیمت سهام و بازده سهام شرکت‌های بورس اوراق بهادار تهران در طی دوره زمانی 1393-1397 و در بازه‌های ماهانه مورد آزمون قرار گرفته است تا مشخص شود آیا این متغیرها دارای ویژگی فراکتال در رفتار خود هستند یا خیر. برای دست‌یابی به هدف فوق از برآورد مدل خود توضیح کسری جمعی میانگین متحرک استفاده شده است. یافته‌های حاصل از آزمون‌های فوق بیان‌گر این است که قیمت سهام و بازده سهام، فرآیندی آشوبی و معین را تجربه می‌کند. که این امر دلالت بر ناکارایی بازار سرمایه دارد و به دلیل وجود حافظه بلندمدت می‌تواند در پیش‌بینی بلندمدت کارایی داشته باشد و رهنمودی برای شناخت بهتر عوامل ناکارایی بازار مانند عدم شفافیت جریان اطلاعات و اقدام در راستای برطرف نمودن آن داشته باشد.

Investigation of Fractal Property Price and Stock Returns of Tehran Stock Exchange Companies Using Nonlinear ARIFMA Model

Much evidence suggests that time series such as stock market prices are complex and random, which makes their changes unpredictable. However, these time series are likely to be a nonlinear dynamic or, in other words, a chaotic process and can therefore be predictable. Therefore, in this study, stock prices and stock returns of Tehran Stock Exchange companies during the period 20142018 and monthly intervals were tested to determine whether these variables have fractal properties in their behavior. To achieve the above objective, our model estimation is used to explain the mass fraction of moving average. The findings of the above tests indicate that stock prices and stock returns experience a turbulent and definite process. This implies that the capital market is inefficient, and because of its longterm memory, it can be useful in predicting longterm performance and may have a guide to better understanding market failure factors such as the lack of transparency of information flow and action to address it.