ORIGINAL_ARTICLE
تخمین ارزش در معرض ریسک دادههای درونروزی با رویکرد EVT-COPULA
ارزش در معرض ریسک معمولترین معیار اندازهگیری ریسک در بانکها و موسسات مالی است که با توجه به مقادیر دنباله توزیع سود و زیان تخمین زده میشود. برای اندازهگیری ارزش در معرض ریسک سبدی از داراییهای مالی، باید همبستگی بین اجزای سبد در نظر گرفته شود. با توجه به اینکه نظریه ارزش فرین چارچوبی برای مدلسازی دنباله یک توزیع است و توابع کاپیولا توزیع توام متغیرهای تصادفی هنگامی که همبستگی بین این متغیرها وجود داشته باشد را مدلسازی میکنند، در این پژوهش با ترکیب نظریه ارزش فرین و کاپیولاها ارزش در معرض ریسک سبدی متشکل از سه نماد با بالاترین نقدشوندگی در صنعت پتروشیمی بورس اوراق بهادار تهران اندازهگیری و نتایج با مدلهای دیگر مقایسه شده است. برای مدلسازی مقادیر فرین از رویکرد فراتر از آستانه و برای محاسبه توزیع توام از توابع کاپیولای خانواده بیضوی استفاده شده است. نتایج پژوهش حاکی از برتری مدل ترکیبی نسبت به مدلهای شبیهسازی تاریخی، پارامتریک و مدل ترکیبی واریانس ناهمسان شرطی تعمیم یافته و نظریه ارزش فرین است.
JEL: G23, G32
نحوه استناد به این مقاله : پویانفر، ا. و موسوی، ح. (1395). تخمین ارزش در معرض ریسک دادههای درونروزی به وسیله ترکیب نظریه ارزش فرین و کاپیولا. فصلنامه مدلسازی ریسک و مهندسی مالی، 1(2)، 129-144.
https://jferm.khatam.ac.ir/article_43747_33dd3976f6adfeaf477c78d389cb39e1.pdf
2016-12-21
129
144
ارزش در معرض ریسک
دادههای درونروزی
کاپیولا
نظریه ارزش فرین
احمد
پویانفر
apouyanfar@gmail.com
1
استادیار گروه مالی، دانشگاه خاتم، تهران، ایران
AUTHOR
سید حمید
موسوی
h.mousavi@khatam.ac.ir
2
کارشناسی ارشد مهندسی مالی، دانشگاه خاتم، تهران، ایران
LEAD_AUTHOR
سجاد، ر.، هدایتی، ش.، و هدایتی، ش. (1393). برآورد ارزش در معرض خطر با استفاده از نظریه ارزش فرین در بورس اوراق بهادار تهران. دانش سرمایهگذاری، 3(9)، 133–155.
1
شاهمرادی، ا.، و زنگنه، م. (1386). محاسبه ارزش در معرض خطر برای شاخصهای عمده. مجله تحقیقات اقتصادی، 3 (42)، 121-149.
2
موسوی، م.، راغفر، ح.، و محسنی، (م). (1392). برآورد ارزش در معرض خطر سبد سهام با استفاده از روش گارچ کاپولای شرطی. پژوهشهای اقتصادی ایران، 18(54)، 119-152.
3
Adrian, T., & Rosenberg, J. (2008). Stock Returns and Volatility : Pricing the Short-run and Long-run Components of Market Risk. The Journal of Finance, LXIII(6), 2997-3030.
4
Andersen, T. G., Bollerslev, T., Diebold, F. X., Ebens, H., Backus, D., Brandt, M., & Stambaugh, R. (2001). The Distribution of Realized Stock Return Volatility, Journal of Financial Economics, 61(1), 43-76.
5
Andersen, T., & Bollerslev, T. (1997). Intraday Periodicity and Volatility Presistence in Financial Markets. Journal of Empirical Finance, 4(1), 115-158.
6
Ayusuk, A., & Sriboonchitta, S. (2015). Copula Based Volatility Models and Extreme Value Theory for Portfolio Simulation with an Application to Asian Stock Markets. Causal Inference in Econometrics, 622(1), 279–293.
7
Balkema, A., & Haan, D. (1972). Residual Life Time at Great Age. Stanford: Stanford University Press.
8
Breymann, W., Dias, A., & Embrechts, P. (2010). Dependence Structures for Multivariate High Frequency Data in Finance. Quantitative Finance, 3(1), 1–36.
9
Dacorogna, M. (2001). Dacorogna-An Introduction to High-Frequency Finance. San Diego: Academic Press.
10
Diao, X., & Tong, B. (2015). Forecasting Intraday Volatility and VaR Using Multiplicative Component GARCH Model. Applied Economics Letters, (May 2015), 1–8.
11
Dionne, G., Duchesne, P., & Pacurar, M. (2009). Intraday Value at Risk (IVaR) Using Tick-by-Tick Data with Application to the Toronto Stock Exchange. Journal of Empirical Finance, 16(5), 777–792.
12
Dionne, G., Pacurar, M., & Zhou, X. (2015). Liquidity-Adjusted Intraday Value at Risk Modeling and Risk Management: An application to Data from Deutsche Borse. Journal of Banking Finance , 59(1), 202-215.
13
Embrechts, P., McNeil, A., & Straumann, D. (1999). Correlation: Pitfalls and Alternatives. Risk Magazine, 20(1), 69-71.
14
Embrechts, P., Samorodnitsky, G., Dacorogna, M. M., & Muller, U. A. (1998). How Heavy are the Tails of a Stationary HARCH(k) Process? A Study of the Moments. In Stochastic Processes and Related Topics 69–102. Boston, MA: Birkhauser Boston.
15
Engle, R. F., & Russell, J. R. (1998). Autoregressive Conditional Duration: A New Model for Irregularly Spaced Transaction Data. Econometrica, 66(5), 1127–1162.
16
Ergun, A. T., & Jun, J. (2010). Time-Varying Higher-Order Conditional Moments and Forecasting Intraday VaR and Expected Shortfall. Quarterly Review of Economics and Finance, 50(3), 264–272.
17
Fisher, R. A., & Tippett, L. H. C. (1928). Limiting Forms of The Frequency Distribution of The Largest or Smallest Member of a Sample. Mathematical Proceedings of The Cambridge Philosophical Society, 24(2), 180-190.
18
Haan, D. (1994). Extreme Value Theory and Applications. Boston, MA: Springer US.
19
Hautsch, N. (2012). Econometrics of Financial High-Frequency Data. Berlin: Springer.
20
Huang, C. H. C., & Chiou, W. P. (2011). Effectiveness of Copula-Extreme Value Theory in Estimating Value-at-Risk: Empirical Evidence From Asian Emerging Markets. Review of Quantitative Finance and Accounting, 39(4), 447-468.
21
Hwan, D. & Patton, A. (2015). Modelling Dependence in High Dimensions with Factor Copulas Modelling Dependence in High Dimensions with Factor Copulas. Journal of Business & Economic Statistics. 35(1), 139-154.
22
Karmakar, M., & Paul, S. (2015). International Review of Financial Analysis Intraday Risk Management in International Stock Markets : A Conditional EVT Approach. International Review of Financial Analysis. International Review of Financial Analysis, 44(1), 34-55.
23
Klaassen, F. (2002). Improving GARCH Volatility Forecasts with Regime-Switching GARCH. Empirical Economics, 27(2), 223–254.
24
Kole, E., Koedijk, K., & Verbeek, M. (2007). Selecting Copulas for Risk Management. Journal of Banking and Finance, 31(8), 2405–2423.
25
McNeil, A. J. (1997). Estimating the Tails of Loss Severity Distributions Using Extreme Value Theory. ASTIN Bulletin, 27(1), 117–137.
26
McNeil, A. J., & Frey, R. (2000). Estimation of Tail-Related Risk Measures for Heteroscedastic Financial Time Series: An Extreme Value Approach. Journal of Empirical Finance, 7(1), 271–300.
27
Mousavi, M., Raghfar, H., & Mohseni, M. (2014). Estimation of the Value of Risky Stocks (Using Conditional Copula-Garch Method). Iran Economic Research, 18(54), 119-152.
28
Pickands, J. (1975). Statistical Inference Using Extreme Order Statistics. Institute of Mathematical Statistics Stable, 3(1), 119–131.
29
Sajjad, R., Hedayati, S. & Hedayati, S. (2015). Estimation of Value at Risk by using Extreme Value Theory. Investment Knowledge, 3(1), 133-155.
30
Talebnia, G. O., Zare, I., Ahmadi, F., Abadi, N., & Fathi, M. (2011). Predictive Power of Capital Asset Pricing Model (CAPM), Fama and Frnch Three-Factor Model (F & F) and the Value at Risk (VaR) in Choosing the Optimal Portfolio Shares. International Research Journal of Finance and Economics, 80(2), 94-104.
31
Wang, Z. R., Chen, X. H., Jin, Y. B., & Zhou, Y. J. (2010). Estimating Risk of Foreign Exchange Portfolio: Using VaR and CVaR Based on GARCHEVT-Copula model. Physica A: Statistical Mechanics and Its Applications, 389(21), 4918–4928.
32
Zangane, (2007). VaR Estimation of market index. Journal of Economic Research, 79 (3), 121-149.
33
ORIGINAL_ARTICLE
نسبتهای ارزشگذاری و قابلیت پیشبینی بازده بازار؛ شواهدی از بورس اوراق بهادار تهران
در این پژوهش، قابلیت پیشبینی بازده بورس اوراق بهادار تهران از طریق نسبتهای ارزشگذاری در افقهای زمانی مختلف بررسی میشود. برای این منظور، بر اساس روش تفکیک کمپل-شیلر، توانایی چهار متغیر بازده سود تقسیمی، نسبت سود تقسیمی به قیمت، نسبت قیمت به سود و نسبت پرداخت سود تقسیمی در پیشبینی بازار اندازهگیری شده است. از میان متغیرهای مورد بررسی، سه متغیر اول قابلیت پیشبینی بازده بازار را دارند در حالی که متغیر نسبت پرداخت سود تقسیمیتوانایی پیشبینی بازار را ندارد. از نظر افق پیشبینی، نتایج نشان میدهد که نسبتهای ارزشگذاری، توانایی پیشبینی بازده در افق کوتاهمدت را ندارند، اما با افزایش افق بازدهی، توان پیشبینی در داخل و خارج نمونه افزایش مییابد. همچنین، قابلیت پیشبینی در دورههای زمانی مختلف متغیر است و در برخی سالها بالاتر از سایر دورهها است.
JEL: G12, G14, G15
نحوه استناد به این مقاله: برکچیان، س. م.، نصیری، ل.، و ابراهیمنژاد، ع. (1395). نسبتهای ارزشگذاری و قابلیت پیشبینی بازده بازار (شواهدی از بورس اوراق بهادار تهران). فصلنامه مدلسازی ریسک و مهندسی مالی، 1(2)، 145-165.
https://jferm.khatam.ac.ir/article_42741_b937a172060c5127280e568c684f57c3.pdf
2016-12-21
145
165
بوتاسترپ
تفکیک کمپل – شیلر
قابلیت پیشبینی بازده سهام
نسبتهای ارزشگذاری
سید مهدی
برکچیان
barakchian@sharif.edu
1
استادیار گروه اقتصاد، دانشکده مدیریت و اقتصاد، دانشگاه صنعتی شریف، تهران، ایران
AUTHOR
لیلا
نصیری
nasirileila1@gmail.com
2
کارشناسی ارشد مهندسی سیستمهای اقتصادی و اجتماعی، دانشگاه صنعتی شریف، تهران، ایران
AUTHOR
علی
ابراهیم نژاد
ebrahimnejad64@yahoo.com
3
دکترای مالی، بوستون کالج، بوستون، امریکا
LEAD_AUTHOR
عباسیان، ع. و نظری، م. و ذوالفقاری، م. (1391). بررسی قابلیت پیشبینی قیمت سهام با استفاده از آزمونهای نسبت واریانس و گام تصادفی در بورس اوراق بهادار تهران. فصلنامه بررسیهای حسابداری و حسابرسی، 19(70)، 101-108.
1
عربمازار، م. و بدری، ا. و دولو، م. (1394). قیمتگذاری ریسک غیرسیستماتیک: شواهدی از بورس اوراق بهادار تهران. فصلنامه مطالعات تجربی حسابداری مالی، 12(47)، 23-46.
2
کمیجانی، ا. و نادری، ا. (1391). مقایسه قابلیتهای مدلهای مبتنی بر حافظه بلندمدت و مدل های شبکه عصبی پویا در پیشبینی بازدهی بورس اوراق بهادار تهران. فصلنامه دانش مالی تحلیل اوراق بهادار، 15، 115 – 130.
3
راعی، ر. و چاوشی، ک. (1382). پیش بینی بازده سهام در بورس اوراق بهادار تهران: مدل شبکه های عصبی مصنوعی و مدل چند عاملی. نشریه تحقیقات مالی، 5(15)، 97-120.
4
تهرانی، ر. و انصاری، ح. و سارنج، ع. (1388). بررسی وجود پدیده بازگشت به میانگین در بورس اوراق بهادار تهران با استفاده از آزمون نسبت واریانس، مجله بررسیهای حسابداری و حسابرسی، 15(54)، 17-32.
5
Abasian, A., & Nazari, M., & Zolfaghari, M. (2012). The Study of Predictability in Stock Prices Using Variance Ratio and Random Walk in Tests TSE. Quarterly Journal of the Accounting and Auditing Review, 19(4), 101-108. (In Persian)
6
Arab Mazar, M., & Badri, A., & Davallou, M. (2015). Pricing of Idiosyncratic Volatility: Evidence from the TSE, Quarterly Journal of Empirical Studies in Financial Accounting, 12(47), 23-46. (In Persian)
7
Bansal, R., & Yaron, A. (2004). Risks for the Long Run: A Potential Resolution of Asset Pricing Puzzles. The Journal of Finance, 59(4), 1481-1509.
8
Boudoukh, J., & Richardson, M. P., & Whitelaw, R. F. (2008). The Myth of Long-Horizon Predictability. Review of Financial Studies, 21(4), 1577–1605.
9
Campbell, J. Y., & Cochrane, J. H. (1999). By Force of Habit: A Consumption-Based Explanation of Aggregate Stock Market Behavior. Journal of Political Economy, 107(2), 205-251.
10
Campbell, J. Y., & Shiller, R. J. (1988a). The Dividend-Price Ratio and Expectations of Future Dividends and Discount Factors. Review of Financial Studies, 1(3), 195–228.
11
Campbell, J. Y., & Shiller, R. J. (1988b). Stock Prices, Earnings, and Expected Dividends. Journal of Finance, 43(3), 661–676.
12
Campbell, J. Y., & Shiller, R. J. (1998). Valuation Ratios and the Long-Run Stock Market Outlook. Journal of Portfolio Management, 24(2), 11–26.
13
Campbell, J. Y., & Thompson, S. B. (2008). Predicting Excess Stock Returns Out of Sample: Can Anything Beat the Historical Average? Review of Financial Studies, 21(4), 1509–1531.
14
Chen, S. (2012). The Predictability of Aggregate Japanese Stock Returns: Implications of Dividend Yield. International Review of Economics & Finance, 22(1), 284-304.
15
Cochrane, J. H. (2008). The Dog that did not Bark: A Defense of Return Predictability. Review of Financial Studies, 21(4), 1533-1575
16
Constantinides, G. M. (1990). Habit Formation: A Resolution of the Equity Premium Puzzle. Journal of Political Economy, 98(3), 519-543.
17
Dangl, T., & Halling, M. (2012). Predictive Regressions with Time-Varying Coefficients. Journal of Financial Economics, 106(1), 157-181.
18
Domian, D. L., & Reichenstein, W. R. (2009). Long-Horizon Stock Predictability: Evidence and Applications. The Journal of Investing, 18(3), 12-20.
19
Fama, E. F. (1970). Efficient Capital Markets: A Review of theory and Empirical Work. Journal of Finance, 25(2), 383–417.
20
Fama, E. F. (1991). Efficient capital markets: II. The journal of finance, 46(5), 1575-1617.
21
Fama, E. F., & French, K. R. (1988a). Permanent and Temporary Components of Stock Prices. Journal of Political Economy, 96(2), 246-273.
22
Fama, E. F., & French, K. R. (1988b). Dividend Yields and Expected Stock Returns. Journal of Financial Economics, 22(1), 3–25.
23
Goyal, A., & Welch, I. (2008). A Comprehensive Look at the Empirical Performance of Equity Premium Prediction. Review of Financial Studies, 21(4), 1455–1508.
24
Henkel, S. J., Martin, J. S., & Nardari, F. (2011). Time-Varying Short-Horizon Predictability. Journal of Financial Economics, 99(3), 560-580.
25
Jordan, S. J., & Vivian, A. J., & Wohar, M. E. (2014). Forecasting Returns: New European Evidence. Journal of Empirical Finance, 26, 76–95.
26
Komijani, A., & Naderi, A. (2012). Capability Comparison of the Models Based on Long Memory and Dynamic Neural Network Models in Forecasting the Stock Return Index in TSE. Quarterly Journal of Financial Knowedge of Securities Analysis, 5(3), 115-130. (In Persian)
27
Lamont, O. (1998). Earnings and Expected Returns. Journal of Finance, 53(5), 1563-1587.
28
Nelson, C. R., & Kim, M. J. (1993). Predictable Stock Returns: The Role of Small Sample Bias. Journal of Finance, 48(2), 641–661.
29
Newey, W. K., & West, K. D. (1987). Hypothesis Testing with Efficient Method of Moments Estimation. International Economic Review, 28(3), 777-787.
30
Pastor, L., & Stambaugh, R. F. (2009) Predictive Systems: Living with Imperfect Predictors. Journal of Finance, 64(4), 1583–1628.
31
Patelis, A. D. (1997). Stock Return Predictability and the Role of Monetary Policy. Journal of Finance, 52(5), 1951-1972.
32
Phillips, P. C., & Perron, P. (1988). Testing for a Unit Root in Time Series Regression. Biometrika, 75(2), 335-346.
33
Raei, R., & Chavoshi, K. (2003). Stock Return Prediction in the Tehran Stock Exchange: Artificial Neural Network Model and Multi-Factor Model. Journal of Financial Research, 5(1), 97-120. (In Persian)
34
Rapach, D. E., & Wohar, M. E. (2005). Valuation Ratios and Long-Horizon Predictability. Journal of Applied Econometrics, 20(3), 327-344
35
Rapach, D. E., Strauss, J. K., & Zhou, G. (2010). Out-of-Sample Equity Premium Prediction: Combination Forecasts and Links to the Real Economy. Review of Financial Studies, 23(2), 821-862.
36
Rapach, D. E., & Zhou, G. (2013). Forecasting Stock Returns. Handbook of Economic Forecasting, Volume 2A. Amsterdam: North Holland.
37
Shiller, R. J. (2003). From Efficient Markets Theory to Behavioral Finance. The Journal of Economic Perspectives, 17(1), 83-104.
38
Stambaugh, R. F. (1999). Predictive Regressions. Journal of Financial Economics, 54(3), 375–421.
39
Tehrani, R. & Ansari, H. & Saranj, A. (2009). The Study of Mean Reversion in Tehran Security Exchange Using Variance Ratio Test. Quarterly Journal of the Accounting and Auditing Review, 16(1), 17-32. (In Persian)
40
ORIGINAL_ARTICLE
تشخیص الگوهای تحلیل تکنیکال با استفاده از رگرسیون کرنل
در سالهای 1960-1970 پژوهشهای بسیاری در مورد فرضیه بازار کارا انجام شد و پس از آن بسیاری از پژوهشگران این فرضیه را به چالش کشیدند. یکی از ابزارها برای رد فرضیه کارا، الگوهای تحلیل تکنیکال هستند. در این پژوهش از الگوهای سر و شانه، کف و سقف، الگوی پرچم مستطیلی صعودی و نزولی، پرچم مثلثی صعودی و نزولی، مستطیل صعودی و نزولی، دوقلوی سقف و کف و سه قلوی سقف و کف استفاده شده است. با استفاده از رگرسیون کرنل که یکی از روشهای هموارسازی برای کاستن خطاهای مشاهده شده است، قیمتهای سهم هموار و اکسترممها، با استفاده از پنجره غلتان مبتنی بر رگرسیون کرنل و الگوها، متناسب با الگوریتمهای کمی هر الگو شناسایی شدند. بر این اساس شرکتهای ایرانخودرو، بانک ملت و سرمایهگذاری صنعت نفت، از ابتدای سال 1390 تا انتهای خرداد 1395 بررسی شدند. یافتههای پژوهش نشان میدهند الگوها دارای اطلاعات مفید هستند. به عبارت دیگر در نمونههای مورد بررسی، توان غلبه بر استراتژی خرید و نگهداری و با استفاده از آزمون دوجملهای توانایی غلبه بر کارایی بازار در سطح ضعیف وجود دارد.
JEL: G14, G17
نحوه استناد به این مقاله : موسوی، م. م.، و پورابراهیم، ح. ر. (1395). تشخیص الگوهای تحلیل تکنیکال با استفاده از رگرسیون کرنل. فصلنامه مدلسازی ریسک و مهندسی مالی، 1(2)، 166-184.
https://jferm.khatam.ac.ir/article_43783_f9e9bbe4befc2c02bbedfba6663b7a96.pdf
2016-12-21
166
184
الگوهای تحلیل تکنیکال
رگرسیون کرنل
کارایی بازار
محمد مهدی
موسوی
mahdimousavi_1@yahoo.com
1
استادیار گروه اقتصاد، دانشگاه خاتم، تهران، ایران
AUTHOR
حمیدرضا
پورابراهیم
hamidreza.pourebrahim@gmail.com
2
دانشجوی کارشناسی ارشد، مهندسی مالی، دانشگاه خاتم، تهران، ایران
LEAD_AUTHOR
شباهنگ، ر.، و حسنی، ف. (1382). نحوه بهکارگیری الگوی معامله تکنیکی در بورس اوراق بهادار تهران. فصلنامه آینده پژوهی مدیریت، 15(4)، 17-37.
1
محمدی، ش. (1383). تحلیل تکنیکی در بورس اوراق بهادار تهران. فصلنامه علمی و پژوهشی تحقیقات مالی، 6 (1)، 97-129.
2
نمازی، م.، و شوشتریان، ز. (1374). بررسی کارایی بازار بورس اوراق بهادار ایران. فصلنامه علمی و پژوهشی تحقیقات مالی، 2(7)، 82-104.
3
Alexander, S. (1964). Price Movement in Speculative Markets: Trends or Random Walks, No. 2. Industrial Management Review, 5(2), 25-46.
4
Bulkowski, T. (2005). Encyclopedia of Chart Patterns, 2nd Edition. New Jersey: Wiley & Sons.
5
Brooks, C. (2008). Introductory Econometrics for Finance (Second Edition). Cambridge University Press.
6
Campbell, J., Lo, AW., & MacKinlay, AC. (1997). The Econometrics of Financial Markets. New Jersey: Princeton University Press.
7
Chong, T., & Poon, K. (2014). A New Recognition Algorithm for “Head-and-Shoulders” Price Patterns.
8
Dawson, E., & Steeley, J. (2003). On the Existence of Visual Technical Patterns in the UK Stock Market. Journal of Business Finance & Accounting, 30(1), 263-293.
9
Edwards, RD., Magee, J. (1997). Technical Analysis of Stock Trends, 7th Edn. Boston: John Magee.
10
Fama, E. (1970). Efficient Capital Markets: A Review of Theory and Empirical Work. Journal of Finance, 25(2), 383–417.
11
Fama, E., & Blume, M. (1966). Filter Rules and Stock Market Trading Profits. Journal of Business, 39(1), 226-241.
12
Fox, J. (2005). Introduction to Nonparametric Regression. McMaster University, Canada.
13
Wang J., & Chan S. (2007). Stock Market Trading Rule Discovery Using Pattern Recognition and Technical Analysis. Expert Systems with Applications, 33(2), 304–315.
14
Jensen, M., & Bennington, G. (1970). Random Walks and Technical Theories: Some Additional Evidences. Journal of Finance, 25(2), 469–482.
15
Levy, R. (1971). The Predictive Significance of Five-Point Chart Patterns. Journal of Business, 44(3), 316-323.
16
Lo, AW., Mamaysky, H., & Wang, J. (2000). Foundations of Technical Analysis: Computational Algorithms, Statistical Inference, and Empirical Implementation. The Journal of Finance, 55(4), 1705-1765.
17
Malkeil, B. G. (1996). A Random Walk Down Wall Street. New York: W. W. Norton.
18
Mohammadi, S. (2004). Technical Analysis in Tehran Securities Exchange.The Journal of financial research, 6(1), 97-129. (In Persian)
19
Murphy, J. (1986). Technical Analysis of The Future Markets: A Comprehensive Guide to Trading Methods and Applications. New York: Prentice Hall.
20
Namazi, M., & Shooshtarian, Z. (1995). The Investigation of the Efficiency of Iran's Stock Exchange.The Journal of financial research. 2(7), 82-104. (In Persian)
21
Neftci, S. (1991). Naive Trading Rules in Financial Markets and Wiener-Kolmogorov Prediction Theory: A Study of "Technical Analysis". The Journal of Business, 64(4), 549-571.
22
Osler, CL & Chang, PH. (1995). Head and Shoulders: Not Just a Flaky Pattern. Federal Reserve Bank of New York Staff Reports, 4, August 1995.
23
Savin, G., Weller, P., & Zvingelis, J. (2007). The Predictive Power of ‘‘Head-and-Shoulders’’ Price Patterns in the U.S. Stock Market. Journal of Financial Econometrics, 5(2), 243-265.
24
Shabahang, R., & Hassani, F. (2004). How Technical Patterns are used in the Tehran Securities Exchange. Scientific Journal Management System, 15(4), 17-37. (In Persian)
25
Sweeney, R. (1988). Some New Filter Rule Tests: Methods and Results. Journal of Financial and Quantitative Analysis, 23 (3), 87-92.
26
Tsinaslanidis, P., & Zapranis, A. (2016). Technical Analysis for Algorithmic Pattern Recognition. Switzerland:Springer International Publishing.
27
White, R. E. & Pruitt, S. W. (1988). The CRISMA Trading System: Who Says Technical Analysis Can’t Beat the Market? Journal of Portfolio Management, 14 (3), 55–58.
28
ORIGINAL_ARTICLE
پیشبینی ریزش ارزش سهام با استفاده از الگوریتم کاوش باکتری و الگوریتم بیز
موضوع تغییرات ناگهانی قیمت سهام طی سالهای اخیر توجه بسیاری از پژوهشگران را به خود جلب کرده است. بر اساس پیشینه پژوهش، ریزش ارزش سهام، تاثیری منفی، بسیار زیاد و غیرمعمول در قیمت سهام دارد و به طور معمول بدون وقوع یک حادثه مهم اقتصادی رخ میدهد. هدف این پژوهش بررسی پیشبینیپذیری ریزش ارزش سهام بر اساس مدلهای مبتنی بر یادگیری ماشین است. در این پژوهش برای پیشبینی ریزش ارزش سهام از الگوریتم کاوش باکتری و الگوریتم بیز استفاده شده است. برای این منظور 148 شرکت عضو بورس اوراق بهادار تهران طی دوره زمانی 1390-1394 مورد مطالعه قرار گرفتند. نتایج برازش کاوش باکتری و الگوریتم بیز نشان میدهد که این دو الگوریتم با دقت بالایی توانایی پیشبینی ریزش ارزش سهام را دارند. علاوه بر این یافتههای پژوهش نشان داده است که الگوریتم کاوش باکتری با دقتی به میزان 94 درصد توانایی بیشتری نسبت به الگوریتم بیز (با دقتی به میزان 93 درصد) در پیشبینی ریزش ارزش سهام داشته است.
JEL: G11, G14
نحوه استناد به این مقاله: دارابی، ر.، و حبیبزاده بایگی، س، ج. (1395). پیشبینی ریزش ارزش سهام با استفاده از الگوریتم کاوش باکتری و الگوریتم بیز. فصلنامه مدلسازی ریسک و مهندسی مالی، 1(2)، 185-205.
https://jferm.khatam.ac.ir/article_42700_ceba17ebc1395d982939d04c09567b6b.pdf
2016-12-21
185
205
الگوریتم بیز
الگوریتم کاوش باکتری
ریزش ارزش سهام
رویا
دارابی
royadarabi110@yahoo.com
1
دانشیار، گروه حسابداری، دانشگاه آزاد واحد تهران جنوب، تهران، ایران
LEAD_AUTHOR
سید جواد
حبیب زاده بایگی
j.habibzade@gmail.com
2
دانشجوی دکتری حسابداری، دانشگاه آزاد واحد تهران جنوب، تهران، ایران
AUTHOR
احمدپور، ا.، زارع، م.، و حیدری، ک. (1393). بررسی تاثیر ویژگیهای شرکت بر ریسک سقوط قیمت سهام. فصلنامه بورس اوراق بهادار، 7(28)، 29-45.
1
احمدپور، ا. (1393). مطالعه رابطه بین مدیریت سود و خطر سقوط قیمت سهام (در شرکتهای پذیرفته شده بورس اوراق بهادار تهران). پایان نامه کارشناسی ارشد، دانشگاه مازندران - دانشکده اقتصاد و علوم اداری.
2
اسدزاده، ا. (1392). پیشبینی ورشکستگی با استفاده از الگوریتم کاوش باکتری. پایان نامه کارشناسی ارشد، دانشگاه آزاد اسلامی نیشابور.
3
تنانی، م.، صدیقی، ع.، و امیری، ع. (1394). بررسی نقش سازوکارهای حاکمیت شرکتی در کاهش ریسک ریزش قیمت سهام شرکتهای پذیرفته شده در بورس اوراق بهادار تهران. فصلنامه علمی- پژوهشی مدیریت دارایی و تأمین مالی، سال سوم، 4(11)، 31-50.
4
دیانتی، ز.، مرادزاده، م.، و محمودی، س. (1391). بررسی تاثیر سرمایهگذاران نهادی بر کاهش ریسک سقوط (ریزش) ارزش سهام. مجله دانش سرمایهگذاری، 1(2)، 1-18.
5
شهرآبادی، ا.، و یوسفی، ر. (1386). مقدمهای بر مالیـه رفتـاری. ماهنامـه بـورس، 6(69)، 59-70.
6
فخاری، ح.، و حسنی، م. (1392). بررسی رابطه بین جریان نقد عملیاتی، عدم شفافیت سود و ریسک سقوط قیمت سهام. پژوهش کاربردی در گزارشگری مالی، 2(2)، 63-88.
7
فروغی، د.، و قاسم زاد، پ. (1394). تأثیر اطمینان بیش از حد مدیریت بر ریسک سقوط آتی قیمت سهام. مجله علمی - پژوهشی دانش حسابداری مالی، 2(5)، 55-71.
8
فروغی، د.، امیری، ه.، و میرزائی، م. (1390). تـأثیر شـفاف نبـودن اطلاعـات مالی بر ریسک سقوط آتی قیمت سهام در شرکتهای پذیرفته شده در بـورس اوراق بهـادار تهران. مجه پژوهشهای حسابداری مالی، 3(10)، 15-40.
9
فروغی، د.، و میرزائی، م. (1391). تـأثیر محافظهکاری شرطی حسابداری بر ریسک سقوط آتی قیمت سهام در شرکتهای پذیرفته شده در بـورس اوراق بهـادار تهران. مجله پیشرفتهای حسابداری دانشگاه شیراز، 4(2)، 77-117.
10
مرادی، ج.، ولی پور، ه.، و قلمی، م. (1390). تأثیر محافظـهکـاری حسـابداری بـر کاهش ریسک سقوط قیمت سهام. فصلنامه علمی پژوهشـی حسـابداری مـدیریت، 4(11)، 93-106.
11
مشکی، م.، و فتاحی، ر. (1390). تاثیر محافظهکاری حسابداری بر ریسک کاهش قیمت سهام. فصلنامه بورس اوراق بهادار، 4(16)، 119-136.
12
میلانی، ح. (1392). پیشبینی درماندگی مالی شرکتهای پذیرفته شده در بورس اوراق بهادار تهران با استفاده از روش ماشینبردار و مقایسه آن با مدل بیز و درخت تصمیم کارت. پایاننامه کارشناسی ارشد، دانشگاه آزاد اسلامی نیشابور.
13
ودیعی نوقابی، م.، و رستمی، ا. (1393). بررسی تاثیر نوع مالکیت نهادی بر ریسک سقوط آتی قیمت سهام در شرکتهای پذیرفته شده در بورس اوراق بهادار تهران. فصلنامه علمی پژوهشی حسابداری مالی، 6(23)، 43-66.
14
Ahmadpour, A. (2014). The Relationship between Earnings Management and Stock Price Crash Risk (in TSE Listed Companies). Master's Thesis, Mazandaran University, Faculty of Economics and Administrative Sciences .(In Persian)
15
Ahmadpour, A., Zare, M.J., & Heydari, K. (2014). The Effect of Company Characteristics on The Risk of Falling Stock Prices. Quarterly Journal of Securities Exchange, 28(6), 29-45. (In Persian)
16
Alpaydin, E. (2010). Introduction To Machine Learning. 2'nd ed.: Cambridge, Mass., MIT Press.
17
An, H., & Zhang, T. (2013). Stock Price Synchronicity, Crash Risk, and Institutional Investors. Journal of Corporate Finance, 21(2), 1-15.
18
Assadzadeh, A. (2014). Bankruptcy Prediction Using Bacterial Foraging Algorithms. Master's Thesis. University of Nishaboor. (In Persian)
19
Baker, M., Ruback, R.S., & Wurgler, J. (2007). Behavioral Corporate Finance: A Survey. In: Eckbo, E. (Ed.), The Handbook of Corporate Finance: Empirical Corporate Finance, Elsevier, New York, 145–186.
20
Benmelech, E., Kandel, E., & Veronesi, P. (2010). Stock-based Compensation and CEO (Dis)Incentives. Quarterly Journal of Economics, 125(4), 1769– 1820.
21
Bleck, A., & Liu. X.,(2007). Market Transparency and the Accounting Regime. Journal of Accounting Research, 45(2), 229–56.
22
Callen, J. L., & Fang, X. (2013). Institutional Investor Stability and Crash Risk: Monitoring or Expropriation?. Journal of Banking & Finance, 37(8), 3047–3063.
23
Chen, C. X., Gores, T., & Nasev, J. (2013). Managerial Overconfidence and Cost Stickiness. American Accounting Association Annual Meeting and Conference.
24
Chen, J., Hong, H., & Stein, J. (2001). Forecasting Crashes: Trading Volume, Past Returns, and Conditional Skewness in Stock Prices. Journal of Financial Economics, 61(3), 345–381.
25
Dianati Deylami, Z., Lotfi, M., & Azadbakhsh, K. (2011). The Impact of Working Capital Management Based on The Cash Conversion Cycle to Reduce The Risk of Falling Stock Prices. Journal of Iranian Management Accounting association, 1(5), 55-64. (In Persian)
26
Dianati, Z., Moradzadeh, M., & Mahmodi, S. (2011). The Effect of Institutional Investors to Reduce The Risk of Falling (Loss) Worth of Shares. Journal of Investment Knowledge, 1(2), 1-18. (In Persian)
27
Fakhari, H., & Hasani, M. (2013). The Relationship between Operating Cash Flow, Lack of Transparency Profits and Stock Price Crash Risk. Applied research in Financial Reporting, 2(2), 63-88. (In Persian)
28
Fawcett, T. (2006). An Introduction to ROC Analysis. Pattern Recognition Letters, 27(8), 861–874.
29
Folad, F., Yaghoobnezhad, A., & Talanh, A. (2012). Conservative and Reduce The Risk of Stock Prices Crash. Accounting and Auditing Studies, 19 (69), 99-118. (In Persian)
30
Foroughi, D., & Ghasemizad, P. (2015). The Effect of Future Stock Price Crash Risk Management Overconfidence. Journal of Accounting knowledge, 2(2), 55-71. (In Persian)
31
Foroughi, D., & Mirzaee, M. (2012). Effect of Conditional Conservatism Accounting on Future Stock Price Crash Risk in Companies Listed on The TSE. Journal of Accounting Advances, 5(2), 77-117. (In Persian)
32
Foroughi, D., Amir, H., & Mirzaei, M. (2011). The Effect of The Lack of Transparency of Financial Information on Future Stock Price Crash Risk in Companies Listed on The TSE. Financial Accounting Research Journal, 3 (10), 15-40. (In Persian)
33
Givoly, D., Hayn, C.K. (2000). The Changing Time-Series Properties of Earnings, Cash Flows and Accruals: Has Financial Reporting Become More Conservative?. Journal of Accounting and Economics, 29(4), 287-320.
34
Haghighat, A., Farhangzadeh, B., & Haghighat, M. (2015). The Impact of Institutional Ownership on Stock Price Synchronicity and Crash Risk. International Journal of Business and Social Science,6(1), 181-189. (In Persian)
35
Heng, A., & Zhang, T. (2013). Stock Price Synchronicity, Crash Risk, and Institutional Investors. Journal of Corporate Finance, 21(1), 1-15.
36
Hutton, A.P., Marcus, A.J., & Tehranian, H. (2009). Opaque Financial Reports, R2, and Crash Risk. Journal of Financial Economics, 94(1), 67-86.
37
Jin, L., & Myers, S. C. (2006). R2 Around The World: New Theory and New Tests. Journal of Financial Economics, 79(2), 257–292.
38
Kaur, R., & Kaur, B. (2015). Bacterial Foraging Optimization Algorithm for Evolving Artificial Neural Networks. International Journal of Applied Information Systems (IJAIS), 8(5), 1-19.
39
Khan, M. & Watts, R. L. (2009). Estimation and Empirical Properties of a Firm-Year Measure of Accounting Conservatism. Journal of Accounting and Economics, 48(3), 132-150.
40
Kim, J. B., & Zhang, L., )2015(. Accounting Conservatism and Stock Price Crash Risk: Firm-Level Evidence. Contemporary Accounting Research, Forthcoming.
41
Kim, J. B., Li, Y., & Zhang, L., (2011). Corporate Tax Avoidance and Stock Price Crash Risk: Firm-Level Analysis. Journal of Financial Economics, 100(2), 639–662.
42
Liao, Q. (2016). The Stock Price Crash Risk Prediction by Neural Network. Accounting and Finance Research, 5(2), 61-70.
43
Meshki, M., & Fatahi, R. (2011). The Impact of Accounting Conservatism on The Risk of Stock Price Decline. Quarterly Journal of Securities Exchange,16(5), 119-136. (In Persian)
44
Milani. H. (2014). Financial Distress Prediction of Listed Companies in TSE Using Vector Machines and Comparison With Bayes Algorithms and Decision Tree of Cart. Master's Thesis. University of Nishaboor. (In Persian)
45
Mittal, L., Gupta, T., & Sangaiah, A. (2016). Prediction of Credit Risk Evaluation Using Naïve Bayes, Artificial Neural Network and Support Vector Machine. The IIOAB Journal, 7(2), 33-42.
46
Moradi, J., Valipour, H., & Ghalami, M. (2011). Conservative Accounting Impact on Reducing The Risk of Falling Stock Prices. Journal of Management Accounting Research, 4 (11), 93-106.(In Persian)
47
Shahrabadi, A., & Yousefi, R. (2006). Introduction of behavioral finance. Journal of Stock Exchange, 6 (69), 59-70. (In Persian)
48
Tanani, M., Siddiqui, A., & Amiri, A. (2015). Investigated The Role of Corporate Governance Mechanisms in Reducing The Risk of Falling Stock Prices of Companies Listed in TSE. Journal of Asset Management and Financing, Issue Issue Row, 4(11), 31-50. (In Persian)
49
Wadie Noghabi, M., & Rostami, A. (2014). Effect of Institutional Ownership on Future Stock Price Crash Risk in Companies Listed in TSE. Journal of Financial Accounting, 6(23), 43-66. (In Persian)
50
Xu, N., Xiaorong, Q., Kam, C. (2014). Excess Perks and Stock Price Crash Risk: Evidence from China. Journal of Corporate Finance, 25(4), 419-434.
51
ORIGINAL_ARTICLE
تورش توجه محدود سرمایهگذار و تکیهگاههای روانشناختی: یک پیشبینی از رفتار جمعی بازار
این پژوهش با تاکید بر کاربرد دو تورش رفتاری تکیهگاههای روانشناختی و توجه محدود سرمایهگذار که در توضیح بیشواکنشی و کمواکنشی بازار سهام استفاده میشوند، بررسی میکند که آیا نزدیکی شاخص کل بورس اوراق بهادار تهران به بالاترین رقم 52 هفته گذشته شاخص و بالاترین رقم تاریخی شاخص میتواند بازده کلی بازار را در آینده پیشبینی کند یا خیر. نتایج پژوهش نشان میدهد هنگامی که شاخص به بالاترین رقم 52 هفته گذشته خود نزدیک میشود، معاملهگران به اخبار جدید کمواکنشی نشان میدهند و بر این اساس میتوان بازده آتی کل بازار را در افق زمانی یک ماهه پیشبینی کرد. یافتههای دیگر نشان میدهد نزدیکی شاخص به بالاترین رقم تاریخی شاخص به شکل منفی با بازدههای یک ماه آینده بازار رابطه دارد که یک نوع بیشواکنشی به اخبار را نشان میدهد.
JEL: G12, G14
نحوه استناد به این مقاله: قربانی، آ.، صالحی، م.، و عباسزاده، م، ر. (1395). تورش توجه محدود سرمایهگذار و تکیهگاههای روانشناختی: یک پیشبینی از رفتار جمعی بازار. فصلنامه مدلسازی ریسک و مهندسی مالی، 1(2)، 206-224.
https://jferm.khatam.ac.ir/article_44801_9087916cc31e12c03c6a732462d650f3.pdf
2016-12-21
206
224
بیشواکنشی
تکیهگاه روانشناختی
توجه محدود سرمایهگذار
کمواکنشی
آرش
قربانی
arash.ghorbani.acc@gmail.com
1
گروه حسابداری، واحد بجنورد، دانشگاه آزاد اسلامی، بجنورد، ایران
LEAD_AUTHOR
مهدی
صالحی
mehdi.salehi@um.ac.ir
2
دانشیار حسابداری، دانشگاه فردوسی مشهد، مشهد، ایران
AUTHOR
محمدرضا
عباس زاده
abbas33@um.ac.ir
3
دانشیار حسابداری، دانشگاه فردوسی مشهد، مشهد، ایران
AUTHOR
دستگیر، م.، و کاظمی، م. (1392). ارتباط بین بالاترین قیمت سهام در گذشته و بازده آن در سطوح مختلف شاخص بازار. پژوهشنامه حسابداری مالی و حسابرسی، 5 (17)، 131-154.
1
فدایی نژاد، م. ا.، و صادقی، م. (1385). بررسی سودمندی استراتژی مومنتوم و معکوس در بورس اوراق بهادار تهران. فصلنامه پیام مدیریت، 5 (17 و 18)، 7-31.
2
فلاح پور، س.، سعدی، ر.، و ابوترابی، ق. (1392). رابطه بین بازده روزانه سهام انفرادی و بالاترین قیمت 52 هفته گذشته در بورس اوراق بهادار تهران. فصلنامه بورس اوراق بهادار تهران، 6 (22)، 73-101.
3
قالیباف اصل، ح.، شمس، ش. و ساده وند، م. ج. (1389). بررسی بازده اضافی استراتژی شتاب سود و قیمت در بورس اوراق بهادار تهران. بررسی های حسابداری و حسابرسی، دوره 17(61)، 99-166.
4
نیکبخت، م.، و مرادی، م. (1384). ارزیابی واکنش بیش از اندازه سهامداران عادی در بورس اوراق بهادار تهران. بررسی های حسابداری و حسابرسی، 12 (40)، 97-122.
5
Ball, R., & Brown, P. (1968). An Empirical Evaluation of Accounting Income Numbers. Journal of Accounting Research, 6(2), 159-178.
6
Barberis, N., Shleifer, A., & Vishny, R. (1998). A Model of Investor Sentiment. Journal of Financial Economics 49(3), 307-343
7
Cutler, D., Poterba, J., & Summers, L. (1991). Speculative Dynamics. Review of EconomicStudies 58(3),529–546.
8
Daniel, K., Hirshleifer, D., & Subrahmanyam, A. (1997). A Theory of Overconfidence, Self-Attribution, and Security Market Under- and Over-Reactions. Unpublished Working Paper. University of Michigan.
9
Dastgir, M., & Kazemi, M. (2013). The Association between Past Stock Prices and Its Returns at Various Market Index Levels. Financial Accounting and Auditing, 5(17): 131-154. (In Persian)
10
DeBondt, W., & Thaler, R. (1985). Does The Stock Market Overreact? Journal of Finance, 40(3), 793-805.
11
Edwards, W. (1968). Conservatism in Human Information Processing. in: Kleinmutz, B. (Ed.), Formal Representation of Human Judgement. Wiley, New York.
12
Fadayi Nezhad, M, E., & Sadeghi, M. (2006). The Study of Profitability of Momentum and Reversal Strategy in TSE. Management Perspective, 5 (17 & 18): 7-31. (In Persian)
13
Fama, E., & French, K. (1988). Permanent and Temporary Components of Stock Prices. Journal of Political Economy, 96(2), 246-273.
14
Falahpoor, S., Sadi, R., & Abutorabi, Gh. (2012). The Association between Daily Returns of Individual Stocks and High 52 Week in Tehran Stock Exchange, 6(22): 73-101. (In Persian)
15
George, T., & Hwang, C.Y. (2004). The 52-Week High and Momentum Investing. Journal of Finance, 59(5), 2145–2176.
16
Ghalibaf Asl, H., Sahms, Sh., & Sade Vand, M. J. (2010). The Examination of Momentum Strategy Excess Returns and Prices in TSE. The Iranian Accounting and Auditing Review, 17(61), 99-166. (In Persian)
17
Griffin, D., & Tversky, A. (1992).The Weighing of Evidence and The Determinants of Confidence.Cognitive Psychology, 24(3), 411–435.
18
Jegadeesh, N., & Titman, S. (1993). Returns to Buying Winners and Selling Losers: Implications for Stock Market E¦Ciency. Journal of Finance 48(1), 65-91.
19
Lakonishok, J., Shleifer, A., & Vishny, R. (1994). Contrarian Investment, Extrapolation, and Risk. Journal of Finance, 49(5), 1541-1578.
20
Li, J., & Yu, J., (2012). Investor Attention, Psychological Anchors, and Stock Return Predictability. Journal of Financial Economics, 104 (2), 401–419.
21
Nikbakht, M., & Moradi, M. (2005). A Study on Common Shareholders Overreaction in TSE. The Iranian Accounting and Auditing Review, 12(40), 97-122. (In Persian)
22
Kahneman, D. (1973). Attention and Effort. Englewood Cliffs, NJ: Prentice-Hall.
23
Kahneman, D., & Tversky, A. (1982). Intuitive Predictions: Biases and Corrective Procedures. Reprinted in Kahneman, Slovic, and Tversky, Judgement under Uncertainty: Heuristics and Biases. Cambridge University Press, Cambridge, England.
24
Peng, L., & Xiong, W. (2006). Investor Attention, Overconfidence, and Category Learning. Journal of Financial Economics, 80(3), 563–602.
25
Poterba, J. M., & Summers, L. (1987). Mean Reversion in Stock Returns: Evidence and Implications. Mimeographed. Cambridge.
26
Zarowin, P. (1989). Does the Stock Market Overreact to Corporate Earnings Information? Journal of Finance, 44(5),1385–1400.
27
ORIGINAL_ARTICLE
اثر روزهای هفته بر بازدهی معاملات دلار در ایران
یکی از بیقاعدگیهای بازارهای مالی با عنوان اثرات تقویمی یا اثرات دورههای زمانی شناخته میشود. اثرات تقویمی شامل مباحث مختلفی است و در این پژوهش اثر روزهای هفته بر بازدهی نرخ مبادله دلار در برابر ریال در بازار غیر رسمی ارز در ایران طی دوره 1389-1395 با استفاده از 3 مدل مورد بررسی قرار میگیرد. مهمترین یافتههای به دست آمده از تخمین مدلهای ارائه شده بدین صورت است: 1. در مدل اول نتایج حاصل شده حاکی از آن است که روز شنبه کمترین بازدهی را نسبت به روز دوشنبه به عنوان روز میانی هفته دارد، 2. در مدل دوم در مقایسه با روز دوشنبه، کمترین بازدهی متعلق به روز سهشنبه است، 3. در مدل سوم بیشترین بازدهی متعلق به پنجشنبه است و کمترین بازدهی در میان روزهای هفته در روز شنبه رویت شده است، که این روز کمترین اثر را نیز در نوسانات شرطی داشته است. افزون بر اینکه، اثر صرف ریسک در مدل سوم مثبت و معنیدار برآورد شده است که این مهم حاکی از نتایج منطقی مدل سوم است.
JEL: C32, F31, G14
نحوه استناد به این مقاله: حسینی، س. ح.، و جعفری باقرآبادی، ا. (1395). اثر روزهای هفته بر بازدهی معاملات دلار در ایران. فصلنامه مدلسازی ریسک و مهندسی مالی، 1(2)، 225-243.
https://jferm.khatam.ac.ir/article_43336_05abce82cd4c263d30d79ac08ffc2745.pdf
2016-12-21
225
243
اثر روزهای هفته
بازار ارز
مالی رفتاری
سید حسین
حسینی
shhfinance@yahoo.com
1
دانشجوی دکتری مدیریت مالی، دانشکدة حسابداری و مدیریت دانشگاه علامه طباطبایی، تهران، ایران
LEAD_AUTHOR
احسان
جعفری باقرآبادی
ehsan.j.b.66@gmail.com
2
دانشجوی دکتری مدیریت مالی، دانشکدة مدیریت دانشگاه تهران، تهران، ایران
AUTHOR
ابونوری، ا. س.، و ایزدی، ر. (1384). ارزیابی اثر روزهای هفته در بورس اوراق بهادار تهران با استفاده از الگوهای آرچ و گارچ. مجله تحقیقات اقتصادی، 41(1)، 190-163.
1
بدری، ا.، و صادقی، م. (1385). بررسی اثر روزهای مختلف هفته بر بازدهی، نوسانپذیری و حجم معاملات در بورس اوراق بهادار تهران. فصلنامه پیام مدیریت، 5 (17،18)، 55-83.
2
پویانفر (تلنگی)، ا. (1383). تقابل نظریه نوین مالی و مالی رفتاری. فصلنامه تحقیقات مالی، 6(1)، 25-3.
3
راعی، ر.، و فلاح پور، س. (1383). مالیه رفتاری، رویکردی متفاوت در حوزه مالی. فصلنامه تحقیقات مالی، 6(2)، 106-77.
4
یحییزاده فر، م.، و ابونوری، ا.، و شبابی، ه. (1384). بررسی اثر روزهای هفته بر بازده سهام بورس اوراق بهادار تهران و مقایسه آن با سایر بازارهای نو ظهور(تحلیل تجربی). دو فصلنامه علوم اجتماعی وانسانی دانشگاه شیراز،22(2). 195-178.
5
Abonori, A., & Izadi, R.(2006). The Investigation of the Impact of Weekdays in TSE Market Using Arch and Garch Pattern. Journal of Economic Research, 41(1), 163-190. (In Persian).
6
Alt, R., Fortin, I., & Weinberger, S. (2011). The Monday Effect Revisit Alternative Testing Approach. Journal of Empirical Finance ,18(3), 447-460.
7
Aydogan, K., & Booth, G. (2003). Calendar Anomalies in the Turkish Exchange Markets. Applied Financial Economics, 13(5), 353-360.
8
Badri, A., & Sadeghi, M. (2006). The Effect of Different Days of the on the Return, Volatility and Turnover of Trades in TSE Market. Journal of Business Mnagement, 5(17,18), 55-83.( inPersian)
9
Berument, H., Coskun, N., & Sahin, A.(2007). Day of the Week Effect on Foreign Exchange Market Volatility: Evidence from Turkey. Research in International Business and Finance, 21(1), 87-97.
10
Corhay, A., Fatemi, A., & Tourani Rad, A. (1995). On the Presence of a Day-of-the-Week Effect in the Foreign Exchange Market. Managerial Finance, 21(8), 32-43.
11
Damodaran, A. (1989). The Week end Effect Information Releases:A Study of Earning Sand Dividend Announcement. Review of Financial Studies. 2(4), 607-623.
12
Daniel, K., Hirshlifer, D., & Subrahanyam, A. (1998). Investor Psychology and Security Market Under- and Overreactions. Journal of Finance,53(6), 1839-1885.
13
De Bondt, W., & Thaler, R. (1985). Does the Stock Market Overreact?. Journal of Finance. 40(3), 793-805.
14
Foster, D., & Vishwanathan, S. (1990). A Theory of Intraday Variations in Volume, Variance and Trading Costs in Security Markets. Review of Financial Studies. 3(4), 593-624.
15
Gibbons, M. R., & Hess, P.(1981). Days of the Week Effects and Asset Returns. Journal of Business. 54 (4), 579–596.
16
Gujarati, D. N.(2004). Basic Econometrics. (4thed.). New York: McGraw−Hill.
17
Hsieh, D. A. (1988). The Statistical Properties of Daily Foreign Exchange Rates. Journal of International Economic, 24(1,2), 129-145.
18
Jegadeesh, N., & Titman, S.(1993). Returns to Buying Winners and Selling Losers: Implications for Stock Market Efficiency. Journal of Finance, 48(1), 65–91
19
Karolyi, A. G. (1995). A Multivariate GARCH Model of International Stock Returns and Volatility: The Case of the United States and Canada. Journal of Business and Economics, 13(1), 11-25.
20
Kiem, D. (1983). Size-Related Anomalies and Stock Return Seasonality: Further Empirical Evidence. Journal of Financial Economics, 12(1), 13-32.
21
Kumar, S. (2016). Revisiting Calendar Anomalies: Three Decades of Multicurrency Evidence. Journal of Economics and Business, 86(4), 16-32.
22
Kumar, S. (2015). Turn-of-Month Effect in the Indian Currency Market. International Journal of Managerial Finance, 11(2), 232–243.
23
McFarland, J., Pettit, R., & Sung, S. (1982). Distribution of Foreign Exchange Price Changes: Trading Day Effects and Risk Measurement. Journal of Finance, 73(3), 693-715.
24
Mei-Chu, K., Yi-Chein, C., & Tung Liang ,L.(2007). Day-of-the-Week Effect in the Taiwan Foreign Exchange Market. Journal of Banking & Finance, 31(9), 2847–2865.
25
Narayana, P., Mishraa, S., & Narayanba,S.(2014). Spread Determinants and the Day-of-the-Week Effect. The Quarterly Review of Economics and Finance, 54(1) ,51– 60.
26
Nelson, D. B. (1991). Conditional Heteroskedasticity in Asset Returns: A New Approach. Econometrica , 59(2), 347-370.
27
Pouyanfar (talangi), A. (2004).The Contrast of Modern Financial Theory and Behavioral Finance. Financial Research. 6(1), 3-25. (In Persian)
28
Raei, R., & Fallahpour, S. (2004). Behavioral Finance, A Different Approach in the Financial Sphere. Financial Research, 6(2), 77-106. (In Persian)
29
Reinganum, M.(1983). The Anomalous Stock Market Behavior of Small Firms in January: Empirical Tests for Tax-Loss Selling Effects. Journal of Financial Economics, 12(1), 89-104.
30
Roll, R. )1983). Orange Juice and Weather. American Economic Review, 74(5), 861-880.
31
Tilica, E., & Opreaa, D.(2014). Seasonality in the Romanian Stock Market: the-Day-of-the-Week Effect. Procedia Economics and Finance, 15, 704–710.
32
Wang, K., Li, Y., & Erickson, J. (1997). A New Look at the Monday Effect. Journal of Finance. 52(5), 2171–2186.
33
Yahyazade Far, M., Abonori, A., & Shbabi, H. (2004). The Effect of Day of the Week on Stock Returns in TSE Market and Its Comparison to Other Emerging Markets (Empirical Analysis). Journal of Human and Social Sciences, 22(2), 179-195. (In Persian)
34
Yamori, N., & Kurihara, Y. (2004). The Day-of-the-Week Effect in Foreign Exchange Markets: Multi-Currency Evidence. International Business and Finance, 18(1), 51-57.
35
Yamori, N., & Mourdoukow, P. (2003). Does the Day-of the Week Effect in Foreign Currency Markets Disappear? Evidence from the Yen/Dollar Market. International Finance Revolution, 4, 447-463.
36
Zhang, T., Chueh, H., & Hua Hsu, Y. (2015). Day-of-the-Week Trading Patterns of Informed and Uninformed Traders in Taiwan's Foreign Exchange Market. Economic Modelling, 47, 271-279.
37
Zhang, J., Lai, Y., & Lin, J.(2017). The Day-of-the-Week Effects of Stock Markets in Different Countries. Finance Research Letters, 2, 47-62.
38
ORIGINAL_ARTICLE
ارائه مدلی جدید برای مدیریت ریسک در انتخاب پروژههای سرمایهگذاری با استفاده از تجزیه و تحلیل خطا و فرآیند تحلیل شبکه فازی
به دلیل اهمیت بحث ریسک در انتخاب پروژههای نفتی، پژوهشگران بسیاری بر موضوع بهینهسازی انتخاب پروژهها و بالا بردن امنیت توسعه منابع انرژی متمرکز شدهاند. پژوهشهای زیادی از تکنیکهای بهینهسازی برای کاهش ریسک منابع انرژی استفاده کردهاند. در این مقاله با انتخاب شرکت ملی نفت ایران به عنوان مطالعه موردی، ریسکهای موجود در انجام پروژههای نفتی در دو بخش توسعه و تولید تقسیمبندی شده و وزن هر ریسک با توجه به تکنیک تجزیه و تحلیل شکست و اعداد فازی مشخص شده است. تأثیر نسبی هر ریسک بر بازده از طریق رویکرد تحلیل شبکه فازی به دست آمده است و با توجه به وزن هر ریسک و تأثیر نسبی آن بر بازده و با استفاده از مدل استخراجی مبتنی بر مدل مارکوویتز، میزان تأثیر کلی ریسکها بر بازده نهایی پرتفولیو مشخص و نتایج آن در سه حالت خوشبینانه، محتمل و بدبینانه ارائه شده است. نتایج نشان میدهد در شرایط خوشبینانه سرمایهگذاری در پروژههای توسعه سودآور و در شرایط بدبینانه، برای سرمایهگذار ریسکپذیر، سرمایهگذاری در بخش تولید و برای سرمایهگذار ریسکگریز، سرمایهگذاری در بخش توسعه پیشنهاد میشود.
JEL: G11, G21, G32
نحوه استناد به این مقاله : صالحی، م. و حسینپور، ز. (1395). ارائه یک مدل جدید برای مدیریت ریسک در انتخاب پروژههای سرمایهگذاری با استفاده از تجزیه و تحلیل آنالیز خطا و فرآیند تحلیل شبکه فازی. فصلنامه مدلسازی ریسک و مهندسی مالی، 1(2)، 244-263.
https://jferm.khatam.ac.ir/article_41125_257ce6f01b882e612919e66c46fb5a57.pdf
2016-12-21
244
263
تجزیه و تحلیل خطا
پروژههای نفتی
تحلیل شبکه فازی
شرکت ملی نفت ایران
مدیریت ریسک
مجتبی
صالحی
m.salehi61@chmail.ir
1
استادیار مهندسی صنایع، دانشکده فنی و مهندسی، دانشگاه پیام نور، تهران، ایران
LEAD_AUTHOR
زهرا
حسین پور
hosseinpour.stat@yahoo.com
2
کارشناسی ارشد، مهندسی صنایع، دانشگاه تربیت مدرس ، تهران، ایران
AUTHOR
ابراهیمی، م.، و قنبری، ع. ر. (1388). پوشش ریسک نوسانات درآمدهای نفتی با استفاده از قراردادهای آتی در ایران. پژوهشنامه اقتصادی. 3(34)، 173-204.
1
اصولی، س. ح. (1384). راهنمای پیکره دانش مدیریت پروژه. انتشارات مرکز تحقیقات و توسعه مدیریت پروژه شرکت ملی صنایع پتروشیمی، تهران.
2
اکبریان،ر.، دیانتی، م. ح.، (1385). مدیریت ریسک در بانکداری بدون ربا. مجله اقتصاد اسلامی، 6(24)، 153-170.
3
جواهری، ب.، و رضایی، س. (1389). بررسی عوامل موثر بر تقاضای نفت کشورهای در حال توسعه (مطالعه موردی هندوستان) و پیشبینی کوتاه مدت فروش نفت ایران به این کشور (دوره زمانی 1970-2005). مجله دانش و توسعه، 17(34)، 51-68.
4
دری، ب. و حمزهای، ا. (1389). تعیین استراتژی پاسخ به ریسک در مدیریت ریسک به وسیله تکنیک ANP (مطالعه موردی: پروژه توسعه میدان نفتی آزادگان شمالی). نشریه مدیریت صنعتی،2(4)، 75-92.
5
دری، ب.، و معزز، ه.، و سلامی، ه. (1387). رویکرد تلفیقی در تحلیل ریسک با استفاده از روشهای تجزیه و تحلیل شکست و آثار آن(FMEA) و فرآیند تحلیل شبکهای(ANP). نشریه پژوهشهای مدیریت در ایران، 14(4)، 107-136.
6
صدیق رئیسی، ا.، و ماکوئی، ا. (1390). طراحی مدل ترکیبی چند معیاره به منظور انتخاب پروژههای شش سیگما. مجله تحقیق در عملیات و کاربردهای آن، 8(4)، 71-92.
7
کریمزاده فرد، ر. (1385). انتخاب پروژههای مطلوب در بنگاههای اقتصادی حمل و نقلی با استفاده از روش تصمیمگیری برنادو. پژوهشنامه حمل و نقل، 4(4)، 108- 117.
8
Akbariyan, R., & Diyanati, M. H., (2006). Risk Management in Non-Riba Banking. Journal of Islamic Economics, 6(24), 153-170. (In Persian).
9
Chapman, C. B. (1991). Risk, in Investment, Procurement and Performance in Construction. E. & F.N. Spon (Chapman and Hall), London.
10
Ching Chow, Y. (2003). A MCDM Approach for Six Sigma Project Selection. The Conference of Knowledge and Value Management.
11
Dorri, B.& Hamzei, A. (2010). Strategies Determination of Response to Risk in Risk Management Techniques by ANP (Case Study: North Azadegan Oil Field Development Project). Journal Industrial Management, 2(4), 75-92. (In Persian).
12
Dorri, B., Moazzez, E.,& Salami, H., (2008). Hybrid Approach in Risk Analysis Using Failure Mode and Effects Analysis (FMEA) and Analytic Network Process (ANP). Iranian Management Research Journal, 14 (4), 107-136. (In Persian).
13
Ebrahimi, M. & Ghanbari, A. R. (2009). Risk Coverage in Oil Revenues Using Futures Contracts in Iran. Economic Bulletin,3(34), 173-204. (In Persian)
14
Huang X. (2007), Optimal project selection with random fuzzy parameters. International Journal Production Economics, 106(2), 513–522.
15
Javaheri. B., & Rezaei S. (2010). Effective Factors on Oil Demand in Developing Countries (Case Study: India) and Short Term Forecasting of Iranian Oil Sales to India. (1970-2005). Journal of Knowledge & Development, 17(34), 51-68. (In Persian)
16
Karimzadeh fard, B. (2006). Favorite Project Selection in Transport Firms Using Bernado Decision Making Technique. Transportation Letters, 4(4), 108-117. (In Persian).
17
Lee, E., Park, Y., & Gye Shin, J. (2008). Large Engineering Project Risk Management Using a Bayesian Belief Network. Expert Systems with Applications, 36(3), 5880-5887.
18
Lorie, J. H., & Savage, L. J. (1955). Three Problems in Rationing Capital. The Journal of Business, 28(4), 229–239.
19
Markowitz, H. (1952). Portfolio Selection. Journal of Finance, 7(1), 77-91.
20
Nasrabadi, A., Hosseinpour, M. H., & Ebrahimnejad, S. (2013). Strategy-Aligned Fuzzy Approach for Market Segment Evaluation and Selection: A Modular Decision Support System by Dynamic Network Process (DNP). Journal of Industrial Engineering International, 37(9), 1-17.
21
Osouli, S. H. (2005). Guide to the Project Management Body of Knowledge. Research and Development Center of Project Management, Petrochemical National Company, Tehran. (In persian).
22
Pakdin Amiri, M. (2010). Project Selection for Oil-Fields Development by Using The AHP and Fuzzy TOPSIS Methods, Department of Accounting and Industrial Management, I.A.U. Babol Branch, Expert Systems with Applications, 37(9), 6218-6224.
23
Seddigh Raisi, A. & Makouyi, A. (2011). Combine Multiple Criteria Hybrid Model Design for Six Sigma Projects Selection. Journal of Operations Research and Applications, 8 (4), 71-92. (In Persian).
24
Su, C. T., & Chou, C. J. (2008). A Systematic Methodology for The Creation of Six Sigma Projects (A Case Study of Semiconductor Foundry(, Expert Systems with Applications, 34(4),2693–2703.
25
Tka, c. M., & Lyocsa, S. (2009) On The Evaluation of Six Sigma Projects. Qualification Reliability Engineeing International, 26(1), 115-124.
26
Wanga, Y. (2009). Risk Evaluation in Failure Mode and Effects Analysis Using Fuzzy Weighted Geometric Mean. Expert Systems with Application, 36(2), 1195–1207.
27
Weingartner, H. M. (1963). Mathematical Programming and The Analysis of Capital Budgeting Problems. Prentice-Hall Press, Englewood.
28
Weingartner, H. M. (1966). Criteria for Programming Investment Project Selection. The Journal of Industrial Economics, 15(1), 65–76.
29