فيلترينگ يك طرفه و دوطرفه ريسك با استفاده از مدل عاملي پوياي تعميم يافته در بورس اوراق بهادار تهران

One-way and two-way risk filtering using generalized dynamic factor model in Tehran Stock Exchange

برآورد ريسك بدون در نظر گرفتن عوامل مرتبط و فقط با تمركز بر روي چند سري معادلات، پيش بيني هاي غيرمعمولي را ايجاد مي كند. در اين مطالعه از اطلاعات يك صفحه بزرگ سري هاي زماني و روشي جديد براي برآورد ريسك استفاده نموديم. اين برآورد با استفاده از بازده داده هاي روزانه سري زماني 25 شاخص مختلف بورس اوراق بهادار تهران در بازه ده ساله از 1387 الي 1397 بر اساس يك مدل عاملي پوياي تعميم يافته (GDFM) انجام شد. ابتدا با استفاده از مدل عاملي پوياي توسعه يافته توسط فورني و همكاران نسبت به تعيين تعداد عوامل استاتيك و ديناميك مدل عاملي اقدام نموده و در ادامه نوسانات جزء مشترك سري هاي تحت مطالعه را با كمك نرم افزار MATLAB فيلتر نموده و به عنوان ريسك بورس اوراق بهادار تهران برآورد نموديم. در ادامه از روش حداقل مربعات تعميم يافته (GLS)، تاثير ريسك هاي فيلتر شده را بر روي بازده شاخص كل بورس موردبررسي قرارداديم. نتايج نشان داد اگر چه ريسكهاي برآورد شده از طريق فيلترينگ يك طرفه و فيلترينگ دوطرفه به صورت معني داري تغييرات بازده شاخص كل بورس موردمطالعه را توضيح مي دهند، اما ريسك برآورد شده از طريق فيلتر دوطرفه با استفاده از مدل عاملي پوياي تعميم يافته، تغييرات بازده را بسيار بهتر از فيلتر يك طرفه با استفاده از همان مدل توضيح مي دهد.

Abstract According to statistics, risk estimation makes unusual predictions without focusing on the relevant factors and only focusing on a set of equations. In this study, we used a spreadsheet data set of time series and a new method for risk estimation. This estimation was based on a generalized dynamic factor model (GDFM) and daily data series obtained from different measures of Tehran Stock Exchange over a 10-year period during 2008 to 2018. we first utilized a generalized dynamic factor model proposed by Forni et al in order to determine statistic and dynamic factors. In the second step, by using MATLAB, we estimated the joint component of the study series as Tehran Stock Exchange risk. Next, using the generalized least squares (GLS) method, we examined the impact of each of the filtered risks on the index returns. The results showed that although both risks estimated through one-side and two-side filtering substantially and significantly explain the changes in the performance of the studied indices, but the risk estimated through two-side filtering using GDFM can explain the returns changes much better and more accurate than the one-side filter using the same model.