بررسي دنباله بازده شاخص كل بورس اوراق بهادار تهران

Volatility Clustering in financial markets based on the agent based model

اين پژوهش به بررسي دنباله بازده شاخص كل بورس اوراق بهادار تهران مي پردازد. ارزيابي دقيق ريسك در بازارهاي مالي به منظور سرمايه گذاري و در نتيجه تخـصيص بهينـه سرمايه، از اهميت حياتي برخوردار است. افزايش نوسانات بازارهاي مالي در دهه گذشته، موجب پيشرفت ابزارهاي پيچيده مديريت ريـسك شـده اسـت. شكل هاي صريح دمهاي توزيع، اطلاعـات مهمـي را بـراي مـديران ريـسك و سـرمايه گذاران فراهم مي كنند. در اين پژوهش، يك توريع وقتي دم كلفت به حساب مي آيد.كه دمهاي توزيع احتمال به صورت تابعي تـواني نـزول كننـد. وجود رفتار تابع تواني در دم توزيع، عواقب مهمي براي رفتار يك متغير تصادفي به همراه دارد مثلا، ممكن اسـت، گـشتاورهاي نامتناهي وجود داشته باشند. در اين پژوهش از 2420 مشاهده روزانه شاخص بورس تهران و بازده لگاريتمي آن از ابتداي سال 87 تا مرداد سال 96 استفاده شده است. با استفاده از نرم افزار متلب به منظور بررسي دم هاي توزيع بازده هاي شاخص بورس تهـران از توزيـع هـاي لـوي- پايـدار، مطالعه رفتار مجانبي (رگرسيون log-log ( تابع توزيع تجمع CDF ،تخمين گر هيل و نظريه مقدار مفرط استفاده مي شود. نتيجه اين توزيع ها نشان ميدهد كه در توزيع بازده هاي لگاريتمي شاخص بورس تهران دم كلفتي وجـود دارد.

The purpose of this study is to investigate the clustering of fluctuations in financial markets, including the stock market, with the underlying model of simulation.Time series of financial asset returns show the clustering of volatility, which shows that large changes in prices tend to form clusters together an‎d these clusters will last for a long time. Time series of financial asset returns often exhibit the volatility clustering property: large changes in prices tend to cluster together, resulting in persistence of the amplitudes of price changes. After recalling various methods for quantifying and modeling this phenomenon, we discuss several economic mechanisms which have been proposed to explain the origin of this volatility clustering in terms of behavior of market participants and the news arrival process. A common feature of these models seems to be a switching between low and high activity regimes with heavy-tailed durations of regimes. Finally, we discuss a simple agent-based model which links such variations in market activity to threshold behavior of market participants and suggests a link between volatility clustering and investor inertia.