مدلسازی رفتاری نوسانات شاخص سهام با تاکید بر ریسک بازار و نوسانات حجم معاملات با در نظر گرفتن مدلهای خودرگرسیون برداری ساختاری
کلمات کلیدی:
نوسانات شاخص سهام , ریسک بازار , نوسانات حجم معاملات , نرخ بیت کوین , اونس جهانی طلاچکیده
بازار سرمایه یکی از مهمترین بخشهای اقتصادی است که وضعیت آن ارتباط نزدیکی با ساختار اقتصادی کشور دارد. بازار بورس به علت شفافیت و سرعت انجام معاملات به عنوان یکی از گزینههای قابل توجه در سرمایه گذاری شناخته میشود؛ به عبارتی فعال بودن بازار بورس سبب تسهیل در تأمین مالی شرکتها و به کارگیری سرمایههای خُرد که اغلب غیر مولد هستند، در مسیر تولید خواهد شد. شاخصهای بورس در بیشتر کشورها یکی از اصلی ترین معیارهای قابل اعتماد به منظور بررسی بازارهای مالی به شمار میآید. شاخص کل بورس اوراق بهادار تهران نیز نمایانگر روند کلی بازار بورس در ایران و نشان دهنده وضعیت کلی بازار سرمایه است؛ بنابراین درک و تحلیل شاخص کل و تغییرات آن میتواند به فعالان بازار سرمایه در اتخاذ تصمیمهای مناسبتر یاری رساند؛ همچنین شاخص بورس مورد استفاده پژوهشگران مالی نیز قرار میگیرد. آنها برای مقایسه بازدهی بازار سرمایه با سایر بازارها و همچنین برای اندازه گیری تأثیرگذاری عوامل مختلف بر بازدهی بازار از شاخص بورس استفاده میکنند. مقاله حاضر از منظر هدف کاربردی و از منظر ماهیت تحلیلی توصیفی میباشد و در دسته تحقیقات پس رویدادی قرار میگیرد (استفاده از اطلاعات حد فاصل سالهای 1/01/1391الی 29/12/1402) و جهت تخمین مدل از روش خود رگرسیون برداری ساختاری استفاده شده است. این مقاله، به بررسی مدلسازی رفتاری نوسانات شاخص سهام با تاکید بر ریسک بازار و نوسانات حجم معاملات پرداخته شده است. در مقاله حاضر در ابتدا به تصریح مدل تحقیق پرداخته شده است، سپس آزمونهای پایایی با استفاده از روش فیلیپس پرون صورت میپذیرد و در ادامه به انجام آزمونهای همجمعی با استفاده از آزمون جواهانسن - جیسیلیوس پرداخته شده و در ادامه به تخمین مدل پرداخته و آزمونهای ثبات مدل، IMPULSE RESPONSE و تجزیه واریانس نیز صورت پذیرفته است. نتایج حاصل از تخمین مدل گویای این مطلب میباشد که ضرایب اکثر متغیرهای اصلی و تاثیر گذار بر نوسانات شاخص کل سهام در ایران و مطابق با مبانی نظری موضوع میباشد. اصلی ترین متغیرهایی که در نتایج مدل خودرگرسیون برداری ساختاری لازم و قابل تحلیل میباشد، تکانههای وارد شده از ناحیه صرف ریسک بازار، نوسانات نرخ اونس جهانی طلا، نوسانات نرخ ارز، نوسانات نرخ بیت کوین، نوسانات نفت اوپک و نوسانات حجم معاملات سهام میباشد. مطابق با نتیجه تخمین مدل متغیرهای نرخ بیت کوین و صرف ریسک بازار بر نوسانات شاخص سهام تاثیر معنیدار ندارد و سایر متغیرهای توضیحی مدل بر نوسانات شاخص سهام در سطح اطمینان 95 درصد معنادار میباشد.
دانلودها
مراجع
Abdollahzadeh, M., & Zare, H. (2022). Calculating monetary entropy in the production space and its relationship with capital market development in Iran (An econophysics and smooth transition regression approach). Iranian Economic Research, 27(92), 77-112.
Aghababaei, M. E., & Aliyan, E. (2022). The impact of investor sentiment on market liquidity and volatility in the Tehran Stock Exchange. Financial Research Journal, 61-80.
Agrrawal, P., & Agarwal, R. (2023). A longer-term evaluation of information releases by influential market agents and the semi-strong market efficiency. Journal of Behavioral Finance, 1-26. https://doi.org/10.1080/15427560.2023.2227303
Algozhina, A. (2022). Monetary policy rule, exchange rate regime, and fiscal policy cyclicality in a developing oil economy. Energy Economics, 112, 106126. https://doi.org/10.1016/j.eneco.2022.106126
Amini, M. (2022). The impact of financial literacy of investors on stock return volatility. Journal of Economic Studies, Financial Management and Accounting, 103-118.
Arbatli, E. C., Firat, M., Furceri, D., & Verrier, J. (2022). U.S. monetary policy shock spillovers: Evidence from firm-level data. IMF Working Paper Asia and Pacific Department. https://doi.org/10.5089/9798400219948.001
Asafo-Adjei, E., Anokye, M. A., Owusu Junior, P., Akorsu, P. K., & Arthur, C. L. (2022). A CEEMDAN-based entropy approach measuring multiscale information flow between macroeconomic conditions and stock returns of BRICS. Complexity, 2022, Article ID 7871109. https://doi.org/10.1155/2022/7871109
Chen, J., Tang, G., Yao, J., & Zhou, G. (2022). Investor attention and stock returns. Journal of Financial and Quantitative Analysis, 57(2), 455-484. https://doi.org/10.1017/S0022109021000090
Dumitrescu, A., & Zakriya, M. (2021). Stakeholders and the stock price crash risk: What matters in corporate social performance? Journal of Corporate Finance, 67, 101871. https://doi.org/10.1016/j.jcorpfin.2020.101871
Fakhari, H., & Nasiri, M. (2020). The effect of company performance on the stock price crash risk. Financial Management Strategy, 8(3), 43-62.
Jakimowicz, A. (2020). The role of entropy in the development of economics. Entropy, 22, 452. https://doi.org/10.3390/e22040452
Kurani, P., Doshi, A., Vakharia, M., & Shah, A. (2023). A comprehensive comparative study of artificial neural network (ANN) and support vector machines (SVM) on stock forecasting. Annals of Data Science, 10(1), 183-208. https://doi.org/10.1007/s40745-021-00344-x
Mahboubi, M. H., Daman Kesheideh, M., Momeni Vosalian, H., & Nasabian, S. (2023). The impact of macroeconomic indicators on stock return volatility. Financial Accounting and Auditing Research, 15(3), 199-218.
Moradi, B., Bahri Sales, J., Jabarzadeh-Kangerloui, S., & Ashtab, A. (2022). Explaining and providing a model for forecasting stock liquidity in the Tehran Stock Exchange. Financial Research, 24, 134-156.
Muhammad, M., & Bendechache. (2024). Unveiling the black box: a systematic review of explainable artificial intelligence in medical image analysis. Computers in Structure and Biotechnology Journal, 24, 542-560. https://doi.org/10.1016/j.csbj.2024.08.005
Nasiri, Z., Sarraf, F., Tanhaei, M. R., Emamverdi, G. A., & Najafi Moghaddam, A. (2023). Forecasting volatility of variables in the Tehran Stock Exchange using the quantum harmonic oscillator model. Accounting and Auditing Research, 15, 89-110.
Nguyen, D. K., Sermpinis, G., & Stasinakis, C. (2023). Big data, artificial intelligence and machine learning: a transformative symbiosis in favour of financial technology. European Financial Management, 29(2), 517-548. https://doi.org/10.1111/eufm.12365
Rahnamaye Roudposhti, F. (2021). Market liquidity analysis based on the physical liquidity principle: A new approach. Investment Knowledge, 10(40), 1-15.
Srivastava, M., Rao, A., Parihar, J. S., Chavriya, S., & Singh, S. (2023). What do the AI methods tell us about predicting price volatility of key natural resources: evidence from hyperparameter tuning. Resources Policy, 80. https://doi.org/10.1016/j.resourpol.2022.103249
Zarei, H., Davoudi Nasr, M., & Zanjirdar, M. (2025). Mutual informational content of earnings from firm-specific and market factors using a joint entropy approach. Scientific-Research Journal of Investment Knowledge, 14(1), 411-445.
دانلود
چاپ شده
ارسال
بازنگری
پذیرش
شماره
نوع مقاله
مجوز
حق نشر 2025 Mahsa Rahavi (Author); Gholamreza Zomordian (Corresponding author); Bahman Bani Mahd (Author)

این پروژه تحت مجوز بین المللی Creative Commons Attribution-NonCommercial 4.0 می باشد.