بررسی حافظه بلندمدت در نوسانهای بازدهی شاخص بورس اوراق بهادار تهران
با توجه به رشد و اهمیت روزافزون بازارهای مالی، وجود هرگونه نوسانی در این بازارها، آثار شگرفی بر اقتصاد میگذارد. لذا، در عرصه پویای بازارهای مالی از جمله بازار بورس اوراق بهادار پیشبینی آینده به یکی از مهمترین مسایل در علوم مالی ارتقا یافته است. در این راستا این نوشتار با استفاده از دادههای روزانه شاخص قیمت و بازده نقدی بورس اوراق بهادار تهران طی دوره زمانی 5/1/1388 الی 30/7/1392 وجود حافظه بلندمدت در بازدهی و نیز نوسانهای شاخص قیمت این بازار رابررسی نموده است. پس از تأیید وجود حافظه بلندمدت در سری بازدهی بورس، به کمک خانواده مدلهای واریانس ناهمسان شرطی (اعم از مدلهای غیر فرکتالی و فرکتالی) به برازش بهترین تصریح برای تبیین رفتار نوسانهای بازدهی بورس پرداخته شد. نتایج این پژوهش، مؤید وجود حافظه بلندمدت در هر دو معادله میانگین و واریانس سری مذکور بوده است. حال آنکه، در بین مدلهای واریانس ناهمسان شرطی که در این مطالعه مورد بررسی قرار گرفته، بر اساس معیارهای اطلاعات (آکائیک و شوارتز) مدل ARFIMA(1,2)-FIGARCH(BBM) به عنوان بهترین مدل برای مدلسازی نوسانهای بازدهی بورس در دوره مورد بررسی، انتخاب شده است.
کلیدواژهها
20.1001.1.23831170.1394.3.3.6.0
موضوعات
- 1مدیریت دارایی
- مدیریت ریسک دارایی های مالی
عنوان مقاله [English]
Evaluation of Long Memory in the Volatility of Tehran Stock Exchange
نویسندگان [English]
- Akbar Komijani 1
- Esmaeil Naderi 1
- Nadiya Gandali Alikhani 2
1 Faculty of Economics, University of Tehran
2 Department of Economics, Islamic Azad University Khuzestan
چکیده [English]
According to the growing importance of financial markets, existence of any volatility in the market has dramatic effects on the economy. Therefore, in a dynamic financial markets including stock market, forecasting has improved to one of the most important issues in financial sciences. In this regard, this paper evaluated existence of long memory in returns and volatility of the market price index by using daily prices and returns Tehran Stock Exchange data from 2009/04/04 to 2013/10/22. The results of this study confirm the existence of long memory in both the mean and variance equations. After confirming the existence of long memory in this index, we used GARCH-type models (including non-fractal and fractal models) to track its volatility. Conclusively, comparing the information criteria (Akaike and Schwartz) of various conditional variance heteroskedasticity models, we found the performance of the ARFIMA (1,2)-FIGARCH (BBM) model is desirable.
کلیدواژهها [English]
- Long Memory
- Volatility
- Stock market
- ARFIMA
- GARCH
- FIGARCH
مراجع
[1] تهرانی، رضا؛ انصاری، حجتاله؛ سارنگ، علیرضا. (1387). بررسی وجود پدیده بازگشت به میانگین در بورس اوراق بهادار تهران با استفاده از آزمون نسبت واریانس. بررسیهای حسابداری و حسابرسی، 15، 54.
[2] سلیمیفر، مصطفی؛ شیرزور، زهرا. (1389). بررسی کارایی اطلاعاتی بازار بورس به روش آزمون نسبت واریانس. مجله دانش و توسعه، 18، 31.
[3] سعیدی، حسین؛ محمدی، شاپور. (1390). پیشبینی نوسانهای بازده بازار با استفاده از مدلهای ترکیبی گارچ- شبکه عصبی، فصلنامه بورس و اوراق بهادار، سال چهارم،16: 153-174.
[4] عرفانی، علیرضا. (1387). پیشبینی شاخص کل بورس اوراق بهادار تهران با مدل ARFIMA. پژوهشنامه علوم انسانی و اجتماعی- علوم اقتصادی، 8، 28.
[5] کشاورزحداد، غلامرضا؛ صمدی، باقر. (1388). برآورد و پیشبینی تلاطم بازدهی در بازار سهام تهران و مقایسه دقت روشها در تخمین ارزش در معرض خطر: کاربردی از مدلهای خانواده FIGARCH. مجله تحقیقات اقتصادی، 86، 235-193.
[6] کمیجانی، اکبر؛ نادری، اسماعیل؛ گندلیعلیخانی، نادیا. (1391). مقایسه انواع مدلهای واریانس ناهمسان شرطی در مدلسازی و پیشبینی نوسانهای قیمت نفت. فصلنامه مطالعات اقتصاد انرژی، 9، 35، 121-146.
[7] محمدی، تیمور؛ طالبلو، رضا. (1389). پویاییهای تورم و رابطه تورم و عدم اطمینان اسمی با استفاده از الگویARFIMA-GARCH. پژوهشنامه اقتصادی، 10،1، 170-137.
[8] محمدی، تیمور؛ نصیری، سمیه. (1389). مقایسه مدلهای Riskmetric و GARCH در پیشبینی نوسانهای شاخص بازده کل بورس اوراق بهادار تهران. مجله مطالعات مالی، 6، 118-95.
[9] مشیری، سعید؛ مروت، حبیب. (1384). بررسی وجود فرآیند آشوبی در شاخص بازدهی کل قیمت سهام بازار بورس تهران. فصلنامه پژوهشهای اقتصادی ایران، 25، 47-64.
[10] موسایی، میثم؛ مهرگان، نادر؛ امیری، حسین. (1389). رابطه بازار سهام و متغیرهای کلان اقتصادی در ایران، فصلنامه پژوهشها و سیاستهای اقتصادی، شماره 54، صص 94-73.
[11] نادری، اسماعیل. (1392). نقدی بر مقوله پیش بینی شاخص بورس: مطالعه موردی شاخص بورس تهران. ماهنامه بورس اوراق بهادار، 102: 31-28.
[12] تهرانی، رضا؛ انصاری، حجتاله؛ سارنگ، علیرضا. (1387). بررسی وجود پدیده بازگشت به میانگین در بورس اوراق بهادار تهران با استفاده از آزمون نسبت واریانس. بررسیهای حسابداری و حسابرسی، 15، 54.
[13] سلیمیفر، مصطفی؛ شیرزور، زهرا. (1389). بررسی کارایی اطلاعاتی بازار بورس به روش آزمون نسبت واریانس. مجله دانش و توسعه، 18، 31.
[14] سعیدی، حسین؛ محمدی، شاپور. (1390). پیشبینی نوسانهای بازده بازار با استفاده از مدلهای ترکیبی گارچ- شبکه عصبی، فصلنامه بورس و اوراق بهادار، 4،16، 153-174.
[15] عرفانی، علیرضا. (1387). پیشبینی شاخص کل بورس اوراق بهادار تهران با مدل ARFIMA. پژوهشنامه علوم انسانی و اجتماعی- علوم اقتصادی، 8، 28.
[16] کشاورزحداد، غلامرضا؛ صمدی، باقر. (1388). برآورد و پیشبینی تلاطم بازدهی در بازار سهام تهران و مقایسه دقت روشها در تخمین ارزش در معرض خطر: کاربردی از مدلهای خانواده FIGARCH. مجله تحقیقات اقتصادی، 86، 235-193.
[17] کمیجانی، اکبر؛ نادری، اسماعیل؛ گندلی علیخانی، نادیا. (1391). مقایسه انواع مدلهای واریانس ناهمسان شرطی در مدلسازی و پیشبینی نوسانهای قیمت نفت. فصلنامه مطالعات اقتصاد انرژی، 9، 35: 121-146.
[18] محمدی، تیمور و طالبلو، رضا. (1389). پویاییهای تورم و رابطه تورم و عدم اطمینان اسمی با استفاده از الگویARFIMA-GARCH. پژوهشنامه اقتصادی، 10، 1:170-137.
[19] محمدی، تیمور؛ نصیری، سمیه. (1389). مقایسه مدلهای Riskmetric و GARCH در پیشبینی نوسانهای شاخص بازده کل بورس اوراق بهادار تهران. مجله مطالعات مالی، 6، 118-95.
[20] مشیری، سعید؛ مروت، حبیب. (1384). بررسی وجود فرآیند آشوبی در شاخص بازدهی کل قیمت سهام بازار بورس تهران. فصلنامه پژوهشهای اقتصادی ایران، 25، 47-64.
[21] موسایی، میثم؛ مهرگان، نادر؛ امیری، حسین. (1389). رابطه بازار سهام و متغیرهای کلان اقتصادی در ایران، فصلنامه پژوهشها و سیاستهای اقتصادی، 54، 94-73.
[22] نادری، اسماعیل. (1392). نقدی بر مقوله پیش بینی شاخص بورس: مطالعه موردی شاخص بورس تهران. ماهنامه بورس اوراق بهادار،102، 31-28.
[23] Alagidede, P., (2011). Return Behavior in Africa’s Emerging Equity Markets. The Quarterly Review of Economics and Finance,. 51,. 133–140.
[24] Arouri, M., Lahiani, A., Nguyen, D.K., (2010). Forecasting the Conditional Volatility of Oil Spot and Futures Prices with Structural Breaks and Long Memory Models. International Conference on Economic Modeling, July, (Istanbul, Turkey).
[25] Assaf, A., (2006). Dependence And Mean Reversion In Stock Prices: The Case Of The MENA Region. Research in International Business and Finance,. 20,. 3,. 286-304.
[26] Bildirici, M., Ersin, O.O., (2013). Forecasting Oil Prices: Smooth Transition and Neural Network Augmented GARCH Family Models. Journal of Petroleum Science and Engineering,. 109,. 230-240.
[27] Bollerslev, T., R. F. Engle and D. B. Nelson. (1994). ARCH Models in R. "F. Engle and D. L. McFadden (eds.): Handbook of Econometrics",. 4, North Holland, Amsterdam.
[28] Chkili, W., Hammoudeh, Sh., Nguyen, D., (2014). Volatility Forecasting and Risk Management for Commodity Markets in the Presence of Asymmetry and Long Memory. Energy Economics,. 41,. 1-18.
[30] Conrad, C., Karanasos, M., Zeng, N., (2011). Multivariate Fractionally Integrated APARCH Modeling Of Stock Market Volatility: A Multi-Country Study. Journal of Empirical Finance,. 18,. 1,. 147-159.
[31] Deo, R., Hsieh, M., Hurvich, C.M., (2010). Long Memory In Intertrade Durations, Counts And Realized Volatility Of NYSE Stocks. Journal of Statistical Planning and Inference,. 140,. 12,. 3715-3733.
[32] Ding, Z., and C. W. J. Granger. (1996). Modeling Volatility Persistence of Speculative Returns: A New Approach. Journal of Econometrics,. 73, 185–215.
[33] Dufrenot, G., Guégan, D., Peguin-Feissolle, A., (2005). Long-Memory Dynamics in A SETAR Model – Applications to Stock Markets. Journal of International Financial Markets, Institutions and Money,. 15,. 5,. 391-406.
[34] Eizaguirre, J. C. &Biscarri, J. G. & Hidalgo, F. P. G. (2009). Financial Liberalization, Stock Market Volatility and Outliers in Emerging Economies, Applied Financial Economics,. 19,. 809–823.
[35] Gewek, J. and Porter-Hudak, S. (1983). Theestimation and Application of Long Memorytime Series Models. Journal of Financial and Quantitative Analysis,. 13, 101-116.
[36] Harris, R.D.F., Nguyen, A., (2013). Long Memory Conditional Volatility and Asset Allocation. International Journal of Forecasting,. 29(2),. 258-273.
[37] Huang, H., Fang, W., Miller, S.M., (2014). Does Financial Development Volatility Affect Industrial Growth Volatility? Original Research Article. International Review of Economics & Finance,. 29,. 307-320.
[38] Hull, M., McGroarty, F., (2013). Do Emerging Markets Become More Efficient as They Develop? Long Memory Persistence in Equity Indices. Emerging Markets Review, In Press, and Available online 15 November 2013.
[39] Kang, S.H., Cheong, C., Yoon, S.M., (2010. Long Memory Volatility in Chinese Stock Markets. Physica A: Statistical Mechanics and its Applications,. 389, Issue. 7,. 1425-1433.
[40] Kasman, A., Kasman, S., Torun, E., (2009). Dual Long Memory Property in Returns and Volatility: Evidence From The CEE Countries' Stock Markets. Emerging Markets Review,. 10,. 2,. 122-139.
[41] Kittiakarasakun, J., Tse, Y., (2011). Modeling the Fat Tails in Asian Stock Markets. InternationalReview of Economics and Finance,. 20,. 430–440.
[42] Mishra, R.k., Sehgal, S., Bhanumurthy, N.R. (2011). A Search for Long-Range Dependence and Chaotic Structure In Indian Stock Market. Review of Financial Economics,. 20,. 2,. 96-104.
[43] Mun, M., Brooks, R., (2012). The Roles of News and Volatility in Stock Market Correlations during the Global Financial Crisis. Emerging Markets Review,. 13, فرکتال در بورس Issue. 1,. 1-7.
[44] Ozdemir, Z.A., (2009). Linkages between International Stock Markets: A Multivariate Long-Memory Approach. Physica A: Statistical Mechanics and its Applications,. 388,. 12,. 2461-2468.
[45] Panayides, Ph.M., Lambertides, N., Cullinane, K., (2013). Liquidity Risk Premium and Asset Pricing in US Water Transportation. Transportation Research Part E: Logistics and Transportation Review,. 52, 3-15.
[46] Tan, P.P., Galagedera, D.U.A., Maharaj, E.A., (2012). A Wavelet Based Investigation of Long Memory in Stock Returns. Physica A: Statistical Mechanics and its Applications,. 391,. 7,. 2330-2341.
[47] Xiu, J., Jin, Y., (2007). Empirical Study of ARFIMA Model Based On Fractional Differencing. Physica-A,.377,. 137-184.
[48] Zhou, Jian & Kang, Zhixin. (2011). A Comparison of Alternative Forecast Models of REIT Volatility. Journal of Real Estate Finance Economics,. 275-294.
[49] Rong-Mao, Zh., Chor-yiu. (CY)S., Shiqing L. (2015). On Functional Limits of short- and Long-Memory Linear Processes with GARCH(1,1) Noises. Stochastic Processes and their Applications,. 125, 2,. 482-512.
نکات مهم در خصوص انتخاب تایم فریم مناسب
انتخاب تایم فریم (Time Frame) مناسب برای اغلب معاملهگران یکی از چالشهای جدی است. در خصوص انتخاب تایم فریم مناسب سوالات و ابهامات زیادی وجود دارد. کدام تایم فریم بهتر است؟ آیا برای ورود به معامله باید چند تایم فریم را هم زمان بررسی کنیم؟ آیا اصولا یک استراتژی را میتوان در همه تایم فریمها بکار گرفت؟ اینها تنها بخشی از سوالات و ابهامات مربوط به بحث تایم فریم است. حتی گاهی پیش میآید که استراتژی معاملاتی شما در یک تایم فریم سیگنال خرید میدهد و در تایم فریم دیگر سیگنال فروش! این تناقضات از کجا ناشی میشود و نوع نگاه یک معاملهگر در مواجه با انها چگونه باید باشد؟ با ما همراه باشید تا به همه این سوالات پاسخ دهیم.
نکته 1: فراکتالی بودن ساختار بازار
استراتژیهای معاملاتی که بر اساس چارت و نمودار قیمت شکل گرفتهاند به علت ساختار فراکتالی بازار، اصولا باید در هر تایم فریمی کارایی داشته باشند به شرطی که عمق معاملات کافی باشد.
ساختار فراکتالی چیست؟
ساختار فراکتالی در واقع الگویی است که هر بخش یا جزء آن به کل الگو شباهت دارد. مثلا به تصویر زیر نگاه کنید، برگی فرکتال در بورس که از چند برگ کوچکتر تشکیل شده و اگر به هر یک از برگ های کوچک به صورت مجزا نگاه کنیم انگار در حال نگاه به برگ اصلی هستیم. خود آن برگ های کوچک نیز متشکل از برگهای کوچکتر مشابه هستند و این روند تا اجزای بسیار ریز ادامه دارد! بازارها نیز ماهیتی فراکتالی دارند.
اگر روی نمودارها و الگوهای قیمتی زوم کنید (تایم فریم را پایین ببرید) همان الگوهای مشابه را مشاهده خواهید کرد. برای درک بهتر موضوع تصویر زیر کمک کننده است.
بنابراین باتوجه به ماهیت فراکتالی بازار یک استراتژی معاملاتی را میتوان در همه تایم فریمها بکار گرفت. البته تا جایی که عمق معاملات کافی باشد.
عمق معاملات چیست؟
تعداد معاملات در یک بازه زمانی را عمق معاملات میگوییم. در بورس ایران پایینتر از تایم فریم روزانه عمق معاملات کافی نیست و قیمت پیوستگی لازم را ندارد و نمودار نویزهای بسیار زیادی دارد. بنابراین پیشنهاد میکنیم در بورس ایران از هیچ گونه استراتژی معاملاتی که بر اساس چارت قیمتی طراحی شده است در تایم فریم های زیر روزانه استفاده نکنید. برای اطلاعات بیشتر مقاله کدام تایم فریم برای بورس ایران مناسب است را مطالعه کنید.
نکته 2: بحث مولتی تایم فریم
مولتی تایم فریم یا استراتژی هایی که باتوجه به چند تایم فریم طراحی شدهاند (یا تحلیلهای چند زمانی) را توصیه نمیکنیم. این کار تنها باعث سردرگمی معاملهگر میشود. اما به هر حال اگر شما یک استراتژی معاملاتی بر اساس چند تایم فریم فرکتال در بورس دارید و در آن موفق هستید این توصیه را نادیده بگیرید.
نکته 3: تناقض در تایم فریمهای مختلف
آموزش گام به گام تحلیل بنیادی برای انتخاب سهم مناسب
برای دانلود کتاب آموزش گام به گام تحلیل بنیادی روی لینک زیر کلیک کنید.
آیا میخواهید در بورس به موفقیت برسید؟ آیا نمیدانید چگونه یک سهم را از منظر بنیادی تحلیل کنید؟ نبود منبع آموزشی مناسب در زمینه تحلیل بنیادی انگیزه ای شد تا در یک کتاب آموزشی به زبانی کاملا ساده و کاربردی، به کمک تصاویر گویا و آموزش گام به گام، روش انتخاب یک سهم را بر اساس نکات بنیادی آموزش داده ایم. قطعا این روش آموزشی را در هیچ کجا پیدا نخواهید کرد! این کتاب الکترونیکی را به تمام کسانی که می خواهند در بازار بورس به موفقیت مستمر برسند توصیه میکنیم .
ممکن است استراتژی شما در تایم فریم مثلا یک ساعته سیگنال خرید بدهد ولی همان استراتژی در تایم فریم روزانه سیگنال فروش بدهد! باتوجه به ماهیت فراکتالی بازار این امر کاملا بدیهی است. همان گونه که دیدید اگر ما بر روی نمودار زوم کنید و تایم فریم را پایین ببریم جزئیات بیشتری را در بازهای زمانی کوتاه مدت تر مشاهده خواهیم کرد و هر چقدر از نمودار دور شویم (تایم فریم را بالا ببریم) روند بلند مدتتر را مشاهده میکنیم. بنابراین این تناقض کاملا طبیعی است. به تصاویر زیر دقت کنید. نمودار شاخص بورس را در یک زمان در سه تایم فریم مختلف مشاهده میکنید.
شاخص بورس تایم فریم روزانه (آبان 1400)
شاخص بورس تایم فریم ماهانه (آبان 1400)
شاخص بورس تایم فریم سالانه (آبان 1400)
نکته 4: انتخاب تایم فریم مناسب
برای رهایی از این تناقضات اول از همه باید یک یا دو تایم فریم ثابت را برای معاملات خود انتخاب کنید. بسیاری از افراد مدام تایم فریمهای مختلف را چک میکنند تا یک موقعیت معاملاتی را شناسایی کنند! باید بدانید تغییر تایم فریم تغییر نگاه شما به روند سفارشات است نه تغییر روند سفارشات! با تغییر تایم فریم جریان سفارشات در تابلوی سفارشات تغییر نمیکند.
شما باید بتوانید روند جریان سفارشات را به وضوح ببینید، هر تایم فریمی آن را بهتر به شما نشان میدهد همان تایم فریم بهتر است.
نکته مهم: تایم فریم روزانه، تایم فریم طلایی، تایم فریم طبیعی
بهترین تایم فریم در تمامی بازارها و در تمامی دنیا تایم فریم روزانه است.
دلیل آن هم کاملا مشخص است، تایم فریم روزانه یک تایم فریم طبیعی است. به عبارتی تایم فریم طبیعت روزانه است، مثلا فلان بانک یا معاملهگر سازمانی که میخواهد در خصوص معامله تصمیم بگیرید و اقدامی کند در چه کوانتوم های زمانی تصمیم گیری یا اقدام میکند؟ قطعا روزانه
بنابراین در تایم فریم روزانه خیلی بهتر متوجه قضایا خواهید شد و قیمت ها در یک کندل روزانه (اوپن و کلوز و …) اعتبار خیلی بیشتری دارند (معنی دارتر هستند).
نکته مهم بعدی این است که در هر تایم فریمی که سیگنال ورود را دریافت میکنید باید در همان تایم فریم هم معامله را مدیریت کنید و استراتژی خروج رو اعمال کنید.
در نهایت انتخاب تایم فریم به تجربه، روحیه و شرایط زندگی یک تریدر هم بستگی دارد. برای مثال ممکن است شما به علتهای مختلف از جمله شرایط کاری، قصد داشته باشید در بازههای زمانی بلندمدتتر معامله کنید و تعداد معاملات کمتر ولی با حاشیه سود و ضرر بیشتر داشته باشید. در این صورت باید تایم فریمهای بالاتر را برای معاملات خود انتخاب کنید. اما شخص دیگر دوست دارد تعداد معاملات بالا داشته باشد و اصولا حوصلهاش زود سر میرود! طبیعتا این شخص باید تایم فریمهای پایینتر را انتخاب نماید.
برآورد ریزش مورد انتظار بر اساس نظریه ارزش فرین شرطی با استفاده از مدل مولتی فرکتال و داده های درون روزانه در بورس اوراق بهادار تهران
با استفاده از پرداخت اینترنتی بسیار سریع و ساده می توانید اصل این مقاله را که دارای 18 صفحه است به صورت فایل PDF در اختیار داشته باشید.
مشخصات نویسندگان مقاله برآورد ریزش مورد انتظار بر اساس نظریه ارزش فرین شرطی با استفاده از مدل مولتی فرکتال و داده های درون روزانه در بورس اوراق بهادار تهران
چکیده مقاله :
هدف: پس از بحران مالی سال ۲۰۰۸، فعالان و پژوهشگران علوم مالی به اندازه گیری و مدل سازی ریسک بیش از پیش توجه نشان داده اند. از جمله سنجه هایی که برای اندازه گیری ریسک به آنها توجه شده، ریزش مورد انتظار است. هدف از این پژوهش ارائه مدلی جدید به منظور برآورد ریزش مورد انتظار است. مدل ارائه شده، مدلی ترکیبی با استفاده از نظریه ارزش فرین است که از داده های درون روزی نیز بهره می جوید. روش: روش استفاده شده در این پژوهش دارای دو گام است. گام نخست به برازش مدل معرفی شده و مدل های جایگزین با استفاده از داده های بورس تهران می پردازد و در گام دوم مدل های برازش شده پس آزمایی می شوند. یافته ها: یافته های حاصل از پژوهش نشان می دهند که مدل فراتر از آستانه شرطی مولتی فرکتال که از داده های درون روزی بهره می جوید، در مقایسه با مدل های جایگزین نظیر فراتر از آستانه شرطی گارچ در برآورد ریسک بازار عملکرد بهتری داشته است. نتیجه گیری: با توجه به یافته های این پژوهش می توان نتیجه گرفت که استفاده از نظریه ارزش فرین و داده های درون روزی موجب بهبود برآورد ریسک بازار شده است.
کلیدواژه ها:
کد مقاله /لینک ثابت به این مقاله
کد یکتای اختصاصی (COI) این مقاله در پایگاه سیویلیکا JR_JFR-22-1_002 میباشد و برای لینک دهی به این مقاله می توانید از لینک زیر استفاده نمایید. این لینک همیشه ثابت است و به عنوان سند ثبت مقاله در مرجع سیویلیکا مورد استفاده قرار میگیرد:
نحوه استناد به مقاله :
در صورتی که می خواهید در اثر پژوهشی خود به این مقاله ارجاع دهید، به سادگی می توانید از عبارت زیر در بخش منابع و مراجع استفاده نمایید:
فلاح پور، سعید و طبسی، حامد،1399،برآورد ریزش مورد انتظار بر اساس نظریه ارزش فرین شرطی با استفاده از مدل مولتی فرکتال و داده های درون روزانه در بورس اوراق بهادار تهران،https://civilica.com/doc/1386739
در داخل متن نیز هر جا که به عبارت و یا دستاوردی از این مقاله اشاره شود پس از ذکر مطلب، در داخل پارانتز، مشخصات زیر نوشته می شود.
برای بار اول: ( 1399، فلاح پور، سعید؛ حامد طبسی )
برای بار دوم به بعد: ( 1399، فلاح پور؛ طبسی )
برای آشنایی کامل با نحوه مرجع نویسی لطفا بخش راهنمای سیویلیکا (مرجع دهی) را ملاحظه نمایید.
مراجع و منابع این مقاله :
لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
- تهرانی، رضا؛ نمکی، علی؛ هدایتیفر، لیلا (۱۳۹۱). همبستگی متقابل شاخصهای .
- جلایی، سید عبدالمجید؛ ابوالحسینی، علی (۱۳۸۸). بررسی خواص فرکتالی در .
- رادپور، میثم (۱۳۸۷). ارزش در معرض خطر و آزمون آن .
- رهنمای رودپشتی، فریدون؛ کلانتری دهقی، مهدیه (۱۳۹۳). مدلهای مولتی فرکتال .
- زمانی، شیوا؛ اسلامی بیدگلی، سعید؛ کاظمی، معین (۱۳۹۲). محاسبه ارزش .
- فلاحپور، سعید؛ رضوانی، فاطمه؛ رحیمی، محمدرضا (۱۳۹۴). برآورد ارزش در .
- کریمی، سمیرا (۱۳۹۱). محاسبه وجه تضمین قراردادهای آتی سکه طلا .
- گرگانی، مصطفی؛ حداد، احمد؛ شهریار، بهنام (۱۳۹۱). محاسبه نرخ بهره .
- محمدی، شاپور؛ راعی، رضا؛ فیضآباد، آرش (۱۳۸۷). محاسبه ارزش در .
- ReferencesArtzner, P. Delbean, F., Eber, J. (۱۹۹۸). Coherent Measures of .
- Balkema, A. A., De Haan, L. (۱۹۷۴). Residual Life Time .
- Bhattacharyya, M., Ritolia, G. (۲۰۰۶). Conditional VaR Using EVT–Towards a .
- Brooks, C., Clare, A.D., Dalle, M., Persand, J.W. (۲۰۰۵). A .
- Calvet, L.E., Fisher, A.J. (۲۰۰۱). Forecasting Multifractal Volatility. Journal of .
- Cotter, J. (۲۰۰۰). Extreme Risk in Future Contracts. Applied Economics .
- Cotter, J., Longin, F. (۲۰۰۶). Margin Setting with High-Frequency Data. .
- Danielsson, J., De Haan, L., Peng L., De Vries, C. .
- Embrechts, P., Kaufmann, R., Patie, P. (۲۰۰۵). Strategic Long-term Financial .
- Fallahpour, S., Rezvani, F., Rahimi, M. (۲۰۱۵). Estimating Conditional VaR .
- Ghorbel, A., Trabelsi, A. (۲۰۰۹). Measure of Financial Risk Using .
- Gorgani, M., Hadad, A.A., Shahriar, B. (۲۰۱۲). The Calculation of .
- Karimi, S. (۲۰۱۲). Estimating Required Margin of the Gold Future .
- Kourouma, L., Dupre, D., Sanfilippo, G., Taramasco, O. (۲۰۱۱). Extreme .
- Liu, R., Lux, T. (۲۰۱۳). Multifractality and Long-Range Dependence of .
- Longin, F. M. (۱۹۹۵). From Value at Risk, To Stress .
- Lux, T., Morales-Arias, L., Sattarhoff , C. (۲۰۰۸). A Markov-switching .
- McNeil, A.J. & Frey, R. (۲۰۰۰). Estimation of Tail-Related Risk .
- Mohammadi, Sh., Raei, R., Faizabad, A. (۲۰۰۸). Forecasting Value-at-Risk Using .
- Pickands, J. (۱۹۷۵). Statistical Inference Using Extreme Order Statistics. The .
- Raadpour, M. (۲۰۰۸). Value at Risk at Tehran Stock Exchange. .
- Roodposhti, F., Kalantri, D. M. (۲۰۰۴). Multifractal Models in Finance: .
- Tehrani, R., Namaki, A., Hedayatifar, L. (۲۰۱۲). The Cross-correlation Structure .
- Zamani, Sh., Bidgoli, S., Kazemi, M. (۲۰۱۳). Estimation of Tehran .
- (in Persian) .
مدیریت اطلاعات پژوهشی
اطلاعات استنادی این مقاله را به نرم افزارهای مدیریت اطلاعات علمی و استنادی ارسال نمایید و در تحقیقات خود از آن استفاده نمایید.
فراکتال چیست؟
شاخص فراکتال بر اساس یک الگوی قیمتی ساده است که اغلب در بازارهای مالی دیده می شود. خارج از معاملات ، فراکتال یک الگوی هندسی مکرر است که در تمام بازه های زمانی تکرار می شود. از این مفهوم ، شاخص فراکتالها ابداع شد. این شاخص نقاط عطف احتمالی نمودار را جدا می کند. سپس فلش هایی را ترسیم می کند تا وجود یک الگو را نشان دهد. الگوی فراکتال صعودی نشان می دهد که قیمت می تواند بالاتر حرکت کند. یک فراکتال نزولی نشان می دهد که قیمت ممکن است پایین تر شود.
به عبارتی دیگر فراکتالها شاخص هایی در نمودارهای شمعدانی هستند که نقاط معکوس در بازار را مشخص می کنند. معامله گران غالباً از فراکتال استفاده می کنند تا در مورد جهتی که قیمت رشد می کند ایده بگیرند. فراکتال زمانی شکل می گیرد که الگوی قیمت خاصی روی نمودار رخ دهد.
فراکتالها شاخص هایی در نمودارهای شمعدانی هستند که نقاط معکوس در بازار را مشخص می کنند.
در این مقاله دو نوع اندیکاتور را به شما ارایه می دهیم که می توانید از هرکدام آنها برای تشخیص فراکتال ها استفاده نمایی د.
روشهای کلیدی در شناسایی فراکتال:
تشکیل fractal بالا:
فراکتال رو به بالا هنگامی تشکیل می شود که یک شمع دارای دو شمع در سمت راست آن با دو مرتبه پایین و حداقل دو شمع در سمت چپ آن با دو مرتبه پایین تر باشد.
Fractal صعودی هنگامی اتفاق می افتد که یک نقطه کم با دو میله / شمع کم ارتفاع بالاتر در هر طرف آن وجود داشته باشد.
- دو شمع که ارتفاعات پایین تر را در سمت چپ نشان می دهند.
- فراکتال بیش از حد بالاتر است.
- دو شمع که ارتفاعات پایین را در سمت راست نشان می دهند.
نمودار زیر شکل این الگو را نشان می دهد:.
تشکیل فراکتال پایین:
فراکتالهای رو به پایین هنگامی تشکیل می شوند که یک شمع دارای دو شمع در سمت راست با پایین های بالاتر و دو شمع در سمت چپ با دو پایین بیشتر باشد.
فراکتالهای نزولی هنگامی اتفاق می افتند که یک نقطه مرتفع با دو میله / شمع مرتفع پایین در هر طرف آن وجود داشته باشد.
- دو شمع که پایین های بالاتر را در سمت چپ نشان می دهد.
- فراکتال زیر پایین پایین.
- دو شمع که پایین های بالاتر را در سمت راست مشخص می کنند.
نمودار زیر شکل این الگو را نشان می دهد:
آنچه شاخص فراکتال به شما می گوید:
نشانگر فراکتال به طور مکرر سیگنال تولید می کند.فراکتال نشان دهنده احتمال تغییر روند است. این بدان دلیل است که فرکتال ها اساساً “U شکل” را نشان می دهند. یک فراکتال نزولی باعث می شود که قیمت به سمت بالا و سپس به سمت پایین حرکت کند ، و یک وارون بزرگ شود. یک فراکتال صعودی هنگامی اتفاق می افتد که قیمت در حال پایین آمدن باشد اما سپس شروع به حرکت می کند و یک U تشکیل می دهد.
از آنجا که فراکتالها به دفعات زیاد اتفاق می افتند و بسیاری از سیگنالها نقاط ورود قابل اعتمادی نیستند ، فراکتالها معمولاً با استفاده از شکل دیگری از تجزیه و تحلیل فنی فیلتر می شوندبا ترکیب فراکتال ها با تجزیه و تحلیل روند ، یک معامله گر ممکن است تصمیم بگیرد که فقط سیگنال های فراکتال صعودی را معامله کند در حالی که روند قیمت بالا رفته است. اگر روند نزولی باشد ، ممکن است فقط در سیگنالهای فراکتال نزولی معاملات کوتاه مدت انجام شود.
فراکتال ها همچنین می توانند با شاخص های دیگری مانند سطح اصلاح فیبوناچی استفاده شوند. یک Fractal تنها در صورت منطبق شدن با یکی از این شاخص های دیگر و به طور بالقوه جهت طولانی مدت قیمت ، معتبر می باشد. به عنوان مثال ، فرض کنید یک سهام روند رو به بالاتری دارد. قیمت در حال عقب رفتن است و به ۳۸٫۲٪ سطح اصلاح فیبوناچی می رسد. از آنجا که روند صعودی است و قیمت نزدیک به سطح اصلاح فیبوناچی است ، در صورت تشکیل Fractal صعودی معامله گر معامله می کند.
محدودیت های استفاده از نشانگر Fractal:
مشکل اصلی فراکتالها این است که تعداد زیادی از آنها وجود دارد. آنها مرتباً اتفاق می افتند و تلاش برای واکنش به همه آنها ممکن است باعث ضررهای زیادی به سرمایه گذار باشد. به این موارد سیگنال، سیگنل اشتباه گفته می شود. بنابراین ، سیگنال ها را با برخی از شاخص ها یا فرم های دیگر تجزیه و تحلیل کنید.
این الگو خود شامل پنج شمع است و الگو نشان می دهد كه كجا قیمت برای بالا رفتن تلاش كرده است ، در این حالت فراكتال بالا یا پایین تر ظاهر می شود ، در این حالت فراكتال پایین ظاهر می شود.
از آنجا که فراکتالها یک الگوی پنج شمع است ، شمع پنجم در مجموعه باید بسته شود و کامل شود قبل از اینکه تصمیمات تجاری براساس آن فرکتال خاص ساخته شود.
شمع پنجم به صورت شمعدانی فراکتال باید قبل از تصمیم گیری در مورد معامله بسته شود.
این بدان دلیل است که قیمت می تواند در مدتی که شمع پنجم تشکیل می شود ، حرکت کند. اگر قیمت یا بالاتر از بالاترین سطح یا پایین ترین سطح پایین حرکت کند ، در حالی که الگو هنوز در حال شکل گیری است ، نشانگر فراکتال از نمودار قیمت شما ناپدید می شود. بنابراین برای اطمینان از تأیید فراکتال باید منتظر تکمیل الگو باشید.
می توان از شاخص های فراکتال برای تعیین جهت بازار استفاده کرد.
معاملهگران میتوانند از شاخص های Fractal برای تعیین جهت احتمالی قیمت در یک بازار استفاده کنند.
اجرای دو اندیکاتور ارایه شده بر روی نمودار می تواند نگرش شما را به الگوهای نموداری بهبود بخشد.برای موج شمار در امواج الویت نیز فراکتالها کاربرد زیادی خواهند داشت.
از لینک زیر می توانید دو انیکاتور Fractal را دانلود فرمایید.
اندیکاتور فراکتال Fractals | فراکتال در فارکس چیست ؟
اندیکاتور فراکتال که در بعضی از پلتفرم ها با نام William Fractals وجود دارد شاخصی در نمودارهای کندل استیک است که نقاطی را که بازار در آنجا معکوس میشود را مشخص می کند. معامله گران اغلب از اندیکاتور فراکتال در فارکس و دیگر بازارهای مالی استفاده میکنند. از این ابزار تحلیل تکیکال برای دریافت سیگنال در مورد جهت قیمت استفاده می کنند. هنگامی که یک الگوی قیمتی خاص در نمودار تشکیل میشود، یک فراکتال بوجود میاید.
اندیکاتور فراکتال شاخصی در نمودارهای کندل استیک است که نقاطی را که بازار در آنجا معکوس میشود را مشخص می کند.
به نقل از Tradimo، این الگو خود شامل پنج کندل یا شمع است که نشان می دهد، قیمت در کجا برای بالاتر رفتن به سختی افتاده است، در این صورت یک فراکتال بالا ظاهر می شود. یا اینکه قیمت در کجا برای پایین رفتن با دشواری روبرو شده است که در این صورت یک فراکتال پایین ظاهر می شود.
عکس زیر نشان می دهد که اندیکاتور فراکتال در نمودار چگونه به نظر می رسند:
تشکیل یک فراکتال بالا (فراکتال نزولی)
یک فراکتال بالا زمانی تشکیل می شود که در دو طرف یک شمع یعنی در سمت راست و چپ آن این کندل ها وجود داشته باشد: دو شمع در سمت راست آن با قیمت ها بالای پایین تر و حداقل دو کندل در سمت چپ آن با دو بالای پایین تر.
نمودار زیر نشان می دهد که این الگو چگونه به نظر می رسد:
- دو شمع که بالاهای پایین تر دارند در سمت چپ وجود دارند
- فراکتال بیش از بالاترین بالا
- دو شمع که بالاهای پایین تر دارند در سمت راست وجود دارند
تشکیل یک فراکتال پایین (فراکتال صعودی)
یک داون فراکتال یا فراکتال پایین زمانی تشکیل می شود که در دو طرف یک شمع یعنی در سمت راست و چپ آن این کندل ها وجود داشته باشد: دو کندل در سمت راست با پایین های بالاتر و دو شمع در سمت چپ با دو پایین بالاتر.
نمودار زیر نشان می دهد که این الگو چگونه به نظر می رسد:
- دو شمع با پایین های بالاتر در سمت چپ وجود دارند
- فراکتال زیر پایین پایین تر
- دو شمع که پایین های بالاتردارند در سمت راست وجود دارند
نکته در اندیکاتور فراکتال : شمع پنجم باید بسته شود
از آنجایی که یک فراکتال یک الگوی پنج شمعی است، قبل از هر گونه تصمیم معاملاتی بر اساس فراکتال باید منتظر شوید که پنجمین کندل در مجموعه بسته شود.
قبل از تصمیم گیری بر مبنای اندیکاتور فراکتال، پنجمین کندل در الگوی فراکتال باید بسته شود.
دلیل این انتظار این است که قیمت می تواند در طول زمانی که شمع پنجم در حال شکل گیری است حرکت بیشتری کند و باعث از بین رفتن الگو شود. اگر در حالی که الگو هنوز در حال شکل گیری است، قیمت یا به بالای بالاتر یا پایین تر از پایین حرکت کند، شاخص فراکتال از نمودار قیمت شما ناپدید می شود. بنابراین باید منتظر بمانید تا الگو کامل شود تا از تایید فراکتال مطمئن شوید.
برای تماشای فیلم های آموزش فارکس وارد شوید : آموزش فارکس بصورت رایگان
تعیین جهت بازار با اندیکاتور فراکتال
معامله گران می توانند از اندیکاتور فراکتال برای تعیین جهت احتمالی قیمت در بازار فارکس و دیگر بازارهای مالی استفاده کنند.
یکی از راه هایی که معامله گران این کار را انجام می دهند، جستجوی فراکتال های شکسته یا شکست فراکتال است. شکست فراکتال زمانی رخ میدهد که یک فراکتال ابتدا تایید شده باشد و سپس قیمت از بالا یا پایین الگو عبور کند. اگر قیمت یک فراکتال بالا را بشکند، جهت بازار به سمت بالا یت صعودی در نظر گرفته می شود و اگر قیمت یک فراکتال پایین را شکست، بازار نزولی در نظر گرفته می شود.
تصویر زیر نشان میدهد که چگونه قیمت آخرین فرکتال پایین را شکسته است و یک شکست فراکتال پایین ظاهر میشود.
- شمع فرکتال پایین
- دو کندل که پایین های بالاتر را در سمت راست نشان می دهند
- کندلی که باعث شکست فراکتال پایین (صعودی) شده است
همانطور که در نمودار بالا می بینید، آخرین فراکتالی که شکسته شد یک فراکتال پایین بود. این نشان می دهد که بازار نزولی است، به این معنی که معامله گران باید به دنبال فرصت های فروش یا شورت باشند.
مثال بعدی نشان می دهد که چگونه یک شکست فراکتال بالا رخ میدهد:
- شمع فرکتال بالا
- دو شمع که بالاهای پایین تر را در سمت راست نشان میدهند
- کندلی که باعث شکست فراکتال بالا (نزولی) شده است
نمودار بالا نشان می دهد که آخرین فراکتال بالا شکسته شده است. این نشان می دهد که بازار صعودی است، به این معنی که معامله گران باید به دنبال فرصت های خرید یا لانگ باشند.
اندیکاتور فراکتال وقتی در بازههای زمانی طولانیتر استفاده میشود نسبت به بازههای زمانی کوتاهتر، سیگنال های قابل اعتمادتری را به معامله گران اعلام میکند.
با باز کردن یک حساب آزمایشی فارکس مهارت های خود را آزمایشی کنید : ساخت حساب آزمایشی فارکس
استفاده از فراکتال برای تعیین حد ضرر
معامله گران همچنین اغلب از اندیکاتور فراکتال برای تصمیم گیری در مورد محل قرار دادن سفارش های توقف ضرر نیز استفاده می کنند.
به عنوان مثال، هنگام وارد کردن یک موقعیت شورت یا فروش، می توانید از آخرین فرکتال بالا برای قرار دادن حد ضرر یا Stop Loss خود استفاده کنید.
همانطور که در نمودار زیر نشان داده شده است، معامله گران معمولاً به جای خود کندل، از نوک اندیکاتور فراکتال برای این کار استفاده می کنند:
- توقف ضرر در نوک فراکتال قرار می گیرد
همانطور که در بالا می بینید، علیرغم اینکه تعداد زیادی فراکتال بالا در نمودار وجود دارد، جدیدترین آنها برای قرار دادن حد ضرر استفاده می شود.
همانطور که در نمودار زیر نشان داده شده است، هنگام وارد کردن یک موقعیت خرید، می توانید از جدیدترین فراکتال پایین برای ثبت سفارش توقف ضرر خود استفاده کنید:
- حد ضرر در نوک فراکتال قرار می گیرد
می توانید ببینید که چگونه از آخرین فرکتال پایین که توسط اندیکاتور فراکتال نمایش داده شده است برای قرار دادن حد ضرر استفاده می شود.
با بازار فارکس و تاریخچه آن بصورت تصویری آشنا شوید : فارکس چیست ؟ | تاریخچه فارکس + ویدیو
نتیجه گیری
در اینجا توضیح دادیم که اندیکاتور فراکتال چیست و فراکتال در فارکس و دیگر بازارهای مالی چگونه مورد استفاده قرار میگیرد. در واقع اندیکاتور فراکتال شاخصی است که نقطه بازگشت احتمالی را در بازارها نشان می دهد.
یک فراکتال زمانی شکل می گیرد که یک پرایس اکشن خاص روی نمودار اتفاق می افتد. این الگو از پنج شمعدان تشکیل شده است که توسط اندیکاتور فراکتال محاسبه و نشانه گذاری میشود.
معامله گران می توانند از اندیکاتور فراکتال و شکست آن برای تعیین جهت بازار استفاده کرد که قیمت از بالاترین بالا یا پایین ترین پایین الگوی عبور کند. همچنین می توان از فراکتال ها برای قرار دادن حد ضرر نیز استفاده کرد.
سئوالات متداول
اندیکاتور فراکتال چگونه کار میکند ؟
اندیکاتور فراکتال نقاط بازگشت بالقوه را در نمودار قیمت جدا می کند. سپس فلش هایی را برای نشان دادن وجود یک الگو ترسیم می کند. الگوی فراکتال صعودی نشان می دهد که قیمت می تواند به سمت بالا تغییر مسیر دهد. یک فراکتال نزولی نشان می دهد که قیمت می تواند به سمت پایین حرکت کند.
آیا فراکتال اندیکاتور متاخر است ؟
بله، فراکتال یک اندیکاتور متاخر است زیرا همانطور که اشاره کردیم الگوی فراکتال پس از تکمیل شمع پنجم تکمیل میشود و معامله گر باید منتظر شود تا الگو تکمیل شود.
اندیکاتور فراکتال در چه تایم فریمی معتبرتر است ؟
فراکتالها وقتی با بازههای زمانی طولانیتر استفاده میشوند نسبت به بازههای زمانی کوتاهتر، شاخصهای جهت قابل اعتمادتری هستند.
ابداع کننده اندیکاتور فراکتال چه کسی است ؟
این ابزار تحلیل تکنیکال بازارهای مالی توسط بیل ویلیامز ابداع شده است. بیل ویلیامز یک تریدر، نویسنده و مدرس مشهور با بیش از 50 سال تجربه معاملات در بازارهای مختلف بود.
دیدگاه شما