بررسي عوامل تاثيرگذار در بروز حباب قيمت در بورس اوراق بهادار تهران

Factors Affects Price Bubbles in Tehran Stock Exchange

اين مقاله به بررسي حباب قيمت در شركت هاي پذيرفته شده در بورس اوراق بهادار تهران پرداخته است. ابتدا از طريق آزمونهاي تسلسل، چولگي، كشيدگي و وابستگي ديرش مشخص گرديد كه در بورس تهران طي دوره زماني 1383 تا 1388 حباب قيمت رخ داده است. سپس با انجام آزمون هاي حباب قيمت، تمامي شركتهايي كه در قلمرو زماني مذكور از رشد و سقوط شديد قيمتي در بورس برخوردار بوده به دو گروه شركتهاي بدون حباب و حباب قيمتي تقسيم شدند. براي پيش‌بيني حباب از متغيرهاي درونزاي شركتها از قبيل: اندازه شركت، تركيب سهامداري، نسبت P/E ، شفافيت اطلاعات و سرعت نقدشوندگي استفاده گرديد. سپس با استفاده از روش رگرسيون لوجيت باينري و شبكه عصبي مصنوعي مدلي براي پيش‌بيني حباب قيمت طراحي گرديد. در برازش مدل از دادههاي شش ماه قبل از بروزحباب (شتاب قيمت) استفاده گرديد. آزمون فرضيه هاي تحقيق نشان داد بين تمامي متغيرهاي مستقل انتخاب شده و حباب قيمت رابطه معني‌داري وجود دارد و مدل شبكه عصبي به دليل خطاي كمتر در پيش‌بيني به عنوان مدل دقيق‌تر شناسايي گرديد.

In this article, we attempt to investigate the factors than effect on price bubbles in Tehran Stock Exchange (TSE) listed companies. First, through runs test, skeweness, kurtosis, and duration dependence test the incidence of bubbles in Tehran Stock Exchange during the years 2004 to 2009 at 95% confidence level were studied. Then all companies that have had severe price volatility have been selected as examples. Totally, a number of 246 companies qualified for the study were selected. And then, by price bubble tests, all companies were divided in two groups, with and without bubbles. To predict bubbles, based on theoretical frameworks, we used indigenous variables such as size of company, P/E ratio, information transparency, stockholder combination, and liquidity rate as independent variables. Then, login binary regression and artificial neural networks (ANN) were used to model and predict bubbles. Data pertaining to a six-month period prior to formation of bubbles (price acceleration) were employed to fit the model. the results suggested significant relationships between all independent variables and price bubbles. ANN model was identified as a better predictor due to smaller error.