بررسی ارتباط حجم نقدینگی و قیمت دارایی ها در بازار مالی ایران با مدل سازی میانگین گیری بیزی

انتخاب یک مدل آماری و محاسبه عدم قطعیت در مورد این انتخاب بخش مهمی از فرآیند علمی است و برای کارهای آماری مورد نیاز است. برای این منظور، در این مطالعه مقایسه بین 10 روش میانگین گیری بیزین صورت گرفته تا مدلی که در تمام وظایف آماری بهترین عملکرد را داشته و از نظر محاسباتی کارآمد بوده، انتخاب گردد. همچنین روش رگرسیون مولفه اصلی با استفاده از یک مطالعه شبیه سازی گسترده بر اساس طیف گسترده ای از مجموعه داده ها برای ارزیابی ارتباط بین حجم نقدینگی و قیمت دارایی ها به کار گرفته شده است . نتایج ارزیابی، شامل 4 نوع مولفه اصلی می باشد به طوری که مولفه اول بیش از 95 % تغییرات را نشان می دهد. در این مطالعه متغیرهای حجم نقدینگی و نرخ ارز در مدل شاخص قیمت سهام و متغیرهای حجم نقدینگی، نرخ ارز و درآمدهای نفتی در مدل شاخص قیمت مسکن دارای بیشترین اثر می باشند. نتایج برآورد 10 مدل مورد بررسی میانگین گیری بیزین نشان می دهد که در مدل سازی شاخص قیمت سهام وهمچنین مدل سازی شاخص قیمت مسکن بهترین مدل ها با اعمال رگرسیون مولفه اصلی و با توزیع پیشین aic به دست می آیند. بنابراین استفاده از روش رگرسیون مولفه اصلی و مدل aic به عنوان مبنایی برای تقریب احتمالات مدل پسین در این تحقیق مورد تایید می باشد. رویکرد تحلیل مولفه های اصلی باعث بهبود عملکرد مدل رگرسیون شد و با توجه به رابطه مثبت و ضریب تعیین بالای حجم نقدینگی با قیمت دارایی ها نتایج این تحقیق می تواند توضیحی برای توجه مراجع تصمیم گیری بانک مرکزی به قیمت دارایی ها جهت اجرای سیاست های پویا و متفاوت سیاست های پولی باشد.

investigating the relationship between liquidity and asset prices in iran’s financial market with bayesian averaging modeling

choosing a statistical model and accounting for uncertainty about this choice are important parts of the scientific process and are required for statistical tasks. for this purpose, in this study a comparison has been made between 10 bayesian averaging methods to finding methods performed best across all the statistical tasks and these were the most computationally efficient. furthermore, the principal component regression method has been applied using an extensive simulation study based on a wide range of data sets to evaluate the relationship between liquidity and asset prices. the results of the evaluation include 4 types of main components the first of which shows over 95% of the changes. in this study, the liquidity and exchange rate variables in the stock price index model and the liquidity, exchange rate and oil income variables in the housing price index model have the largest effect. the results achieved reveal that in stock price index modeling as well as housing price index modeling, the best models are obtained by applying principal component regression and aic prior distribution. therefore, the use of the principal component regression method and the aic model as a basis for approximating the probabilities of the posterior model in this research is approved. the principal component analysis approach improved the performance of the regression model; considering the positive relationship and high coefficient of determination of liquidity with asset prices the results of this research can provide a justification for the central bank's decision-making authorities to pay attention to asset prices for the implementation of dynamic and different monetary policies.