تجزیه و تحلیل شاخص بورس اوراق بهادار تهران در چارچوب زنجیره های مارکوف

نوع مقاله : علمی - پژوهشی

نویسندگان

1 استادیار گروه مدیریت صنعتی، دانشگاه آزاد اسلامی واحد دهاقان، اصفهان، ایران

2 کارشناسی ارشد مهندسی صنایع، دانشگاه آزاد اسلامی واحد دهاقان، اصفهان، ایران.

چکیده

زنجیر مارکوف، یک فرآیند تصادفی است که کاربردهای فراوانی در صنایع، زیست­شناسی، مالی و غیره دارد و در آن موقعیت آتی فرآیند، فقط به موقعیت فعلی آن بستگی دارد. چار چوب تحلیل به کمک زنجیرهای مارکوف، امکان پاسخگویی به سؤال­هایی را فراهم می کند که در چارچوب‌های تحلیلی دیگر مانند چارچوب بنیادی، تکنیکی امکان چنین رویکردی جود ندارد. در این پژوهش با استفاده از دو روش نشان داده می­شود که بازده‌های دو­هفته­ای (چهارده روز کاری) شاخص کل بازار «بورس اوراق بهادار تهران» در بازه سال­های 1376-1394 در یک فضای حالت شش عضویی که بر اساس بازده و ریسک تعریف می شود، دارای خاصیت مارکوفی است. خاصیت مارکوفی نشان می­دهد که متوسط زمان لازم برای انتقال بین فضای حالت بین 4 تا 13 دوره (هر دوره 14 روز) است و بیشترین مقدار احتمالات حدی که رفتار درازمدت فرآیند را نشان می­دهد، مربوط به حالتی است که در آن بازده کسب­شده از متوسط بیشتر است.

کلیدواژه‌ها

عنوان مقاله [English]

The Analysis of the Tehran Stock Exchange Index in the Framework of Markov Chains

نویسندگان [English]

  • Sayyed Mohammad Reza davoodi 1
  • Kimiya Mirsaeedi 2
1 Assistant Prof, Department of Industrial Management, Islamic Azad University of Dehaghan Branch, Isfahan, Iran .
2 MSc in Industrial Engineering, Islamic Azad University of Dehaghan Branch, Isfahan, Iran.
چکیده [English]

Markov chains as a special kind of random processes such that the future status of process is dependent on current status, has many applications in industry, biology, finance, etc. The Markov Chain Analysis framework provides answers to questions that may not be appropriate in other analytical frameworks such as fundamental, technical, and time series. This study with two different methods show that two week rate of return (fourteen days) of Tehran Stock Exchange Index is a markov chain in a state space consists of six status and defined on the basis of return and risk. The average time to transfer between the state space is also between 4 to 13 days, and also the maximum amount of probability (which represents the long-term behavior of the process) relates to a situation in which the return is greater than average.

کلیدواژه‌ها [English]

  • Chain Marmarok
  • Probability of Transmission
  • Subtleties
  • Goodness of Fit

مراجع

  1. Abounoori, E., Elmi, Z. M., & Nademi, Y. (2016). Forecasting Tehran stock exchange volatility; Markov switching GARCH approach. Physica A: Statistical Mechanics and its Applications, 445, 264-282.
  2. Adebiyi, A.A., Ayo, C.K. & Otakito, S.O. (2011). Fuzzy-neural model with hybrid market indicators for stock forecasting. International journal of electronic finance, 5(3).
  3. Adebiyi, A.A., Ayo, C.K. & Otokiti, S.O. (2009). Stock price prediction using hybridized market indicators. Proceedings of International Conference on Artificial Intelligence and Pattern Recognition, MutiConf’09, Orlando USA, 362–367.
  4. Alamatian, V., Wafaei jahan, M. (2016). The stock price prediction in Iran is based on the superiority of the networks and the Hidden Mysteries. Journal of Financial Engineering and Management of Securities. Number th and second. 283-298 (In Persian).
  5. Hassan, M. R. & B. Nath (2005). Stock market forecasting using hidden Markovmodel: a new approach. Intelligent Systems Design and Applications, 2005.ISDA'05. Proceedings. 5th International Conference on, IEEE.
  6. Hassan, M. R., Nath, B., & Kirley, M. (2007). A fusion model of HMM, ANN and GA for stock market forecasting. Expert systems with Applications, 33(1), 171-180.Hassan, Md Rafiul, Baikunth Nath & Michael Kirley (2007). A Fusion Model of Hmm, Ann and Ga for Stock Market Forecasting. Expert Systems with Applications, 33(1), 171-180.
  7. Landauskas, M. & Valakevičius, E. (2011). Modelling of Stock Prices by MarkovChain Monte Carlo Method. Intelektinė ekonomika, 5(2), 244-256.
  8. Lee, J. and Shin, M. (2009) “Stock forecasting using hidden Markov process”, http://cs229.stanford.edu/proj2009/ShinLee.pdfProcesses.
  9. Lukaš, A. (2012). Application of Markov chain analysis to trendprediction of stock indices. Proceedings of 30th International ConferenceMathematical Methods in Economics.
  10. Maghsoudi, A., Biglari Kami, M. (2013). Stock behavior prediction using Markov chain model. Journal of Financial Engineering and Management of Securities, 5(20), 94-79 (In Persian).
  11. Raei, R., Mohammadi, S., Sarean, A.R. (2013). Tehran Stock Exchange dynamics using the Markov model on the average switching ratio. Quarterly Journal of Financial Research, (1), 1698-77 (In Persian).
  12. Zhou, Q. X. (2015(. Application of Weighted Markov Chain in Stock Price Forecasting of China Sport Industry. International Journal of u- and e- Service, Science and Technology, 8(2), 219-226.
  13. Wang, Y.-F., S. Cheng, et al. (2010). Incorporating the Markov chain concept intofuzzy stochastic prediction of stock indexes. Applied Soft Computing, 10(2), 613-617.
  14. Zandieh, M., & Khamis, M. (2014). Stock price prediction using the combination of the Markov Hidden Markov Model. Magazine Outlook Financial Management. 12, 27-40 (In Persian).
  15. Zhang, D. & X. Zhang (2009). Study on forecasting the stock market trend basedon stochastic analysis method. International Journal of Business andManagement, 4(6), 163-170.

فایل ها

هم رسانی

ارجاع به این مقاله

آمار