بررسی وجود حافظه بلندمدت در بورس اوراق بهادار تهران و ارزیابی مدل هایی که حافظه بلندمدت را در نظر می گیرند

طی دهه گذشته، فرآیندهای با حافظه بلند مدت، بخش مهمی از تجزیه و تحلیل سری های زمانی را به خود اختصاص داده اند. وجود حافظه بلند مدت در بازده دارایی ها کاربردهای مهمی در بررسی کارایی بازار، قیمت گذاری اوراق مشتقه و انتخاب سبد دارایی دارد. در این تحقیق، ابتدا وجود حافظه بلند مدت در سری زمانی بازده و نوسانهای شاخص کل بورس اوراق بهادار تهران بررسی شده است. نتایج آزمون های آماری، وجود حافظه بلندمدت را در بازده و نوسانهای شاخص کل بورس اوراق بهادار تهران تا سطح اطمینان بالایی تایید می کنند. در ادامه، دقت پیش بینی مدل هایی که ویژگی حافظه بلندمدت را در نظر نمی گیرند، ARMA و GARCH، با مدل های مشابهی که این ویژگی را درنظر می گیرند، ARFIMA و FIGARCH، به روش پنجره غلتان در بازه های زمانی مختلف مقایسه شده است. نتایج این مطالعه نشان می دهد مدل نسبتا ساده ARMA، در مقایسه با سایر مدل ها، بهتر می تواند بازده یک روز بعد شاخص را پیش بینی کند؛ اما در پیش بینی بازده شاخص برای دوره های هفتگی، ماهانه، فصلی و شش ماهه، مدل FIGARCH همواره پیش بینی های دقیقتری ارایه کرده است.