بررسی توانایی معیار آنتروپی باقی‌مانده تجمعی در پیش‌بینی بحران بوسیله داده‌های شبیه‌ساز بحران نقشه لوجستیک و شاخص کل بورس اوراق بهادار تهران

نوع مقاله : علمی - پژوهشی

نویسندگان

1 استادیار، گروه مدیریت مالی و بیمه، دانشکده مدیریت و حسابداری، دانشگاه شهید بهشتی، تهران، ایران.

2 دانشجوی کارشناسی ارشد مدیریت مالی، دانشکده مدیریت و حسابداری، دانشگاه شهید بهشتی،تهران، ایران

چکیده

     اهمیت پیش‌بینی در مباحث سرمایه‌گذاری موجب شده است که طیف وسیعی از روش‌ها در علوم مختلف جهت پیش‌بینی روندها و قیمت‌های آتی به کار گرفته شوند. پیش‌بینی بحران نیز در سال‌های گذشته نمود بیشتری پیدا کرده است. این موضوع نیازمند بررسی‌های بیشتر دینامیکی سیستم‌های پیچیده می‌باشد تا مشخص شود به هنگام بحران چه تغییراتی در دینامیک سیستم رخ می‌دهد. پژوهش پیش‌رو به بررسی توانایی پیش‌بینی بحران با معیار آنتروپی باقی‌مانده تجمعی در بورس اوراق بهادار تهران (به عنوان یک سیستم پیچیده) پرداخته است. در این پژوهش از داده‌های شبیه‌ساز بحران که بوسیله نقشه لوجستیک ساخته می‌شوند استفاده شده است تا توانایی معیار در حالت نظری بررسی گردد. در حالت کاربردی نیز از داده های شاخص کل بورس اوراق بهادار تهران از مهر 1389 تا شهریور 1398 استفاده شده است. نتایج پژوهش نشان داده است که معیار پیشنهادی توانایی پیش‌بینی بحران را دارد.

کلیدواژه‌ها

عنوان مقاله [English]

Investigating the Crisis Forecasting Ability of the Cumulative Residual Entropy Measure by using Logistic Map Simulation Data and Tehran Stock Exchange Overall Index

نویسندگان [English]

  • Mohammad Osoolian 1
  • Ali Koushki 2
1 sbu
2 Master Student of Financial Management, Department of Management and Accounting, Shahid Beheshti University, Tehran, Iran
چکیده [English]

The importance of forecasting in investment discussions has led to the use of a wide range of methods in various sciences to predict future trends and prices. Crisis forecasting has also become more prominent in recent years. Further investigation of the dynamics of complex systems is required to determine what changes in system dynamics occur during a crisis. This research has investigated the crisis forecasting ability of cumulative residual entropy measure in Tehran Stock Exchange (as a complex system). In this study, crisis simulation data generated by logistic map have been used to examine the ability of the proposed measure theoretically. In the practical case, the data of the overall index of Tehran Stock Exchange from October 2010 to September 2019 has been used. The results showed that the proposed measure can forecast the crisis

کلیدواژه‌ها [English]

  • Prediction
  • Crisis
  • Entropy
  • Logistic Map

مراجع

1.Abdullah Zadeh, S., Mohammadi Malqarni, A., Noravesh, I., & Amini, P. (2018). Investigating the entropy of liquidity and leverage ratios on identifying companies suspected of fraud in financial reporting. Audit Science, 18, 79–96. https://www.sid.ir/fa/journal/ViewPaper.aspx?id=462861. (in-persian)
2.Ahn, K., Lee, D., Sohn, S., & Yang, B. (2019). Stock market uncertainty and economic fundamentals: an entropy-based approach. Quantitative Finance, 19(7), 1151–1163.
3.Alvarez-Ramirez, J., & Rodríguez, E. (2011). Long-term recurrence patterns in the late 2000 economic crisis: Evidences from entropy analysis of the Dow Jones index. Technological Forecasting and Social Change, 78(8), 1332–1344.
4.Cao, J., & Wang, J. (2020). Exploration of stock index change prediction model based on the combination of principal component analysis and artificial neural network. Soft Computing, 24(11), 7851–7860.
5.Dimpfl, T., & Peter, F. J. (2014). The impact of the financial crisis on transatlantic information flows: An intraday analysis. Journal of International Financial Markets, Institutions and Money, 31, 1–13.
6.Gao, J., Hou, Y., Fan, F., & Liu, F. (2020). Complexity Changes in the US and China’s Stock Markets: Differences, Causes, and Wider Social Implications. Entropy, 22(1), 75.
7.Hasannejad, M., Osoolian, M., & Hamzenejadi, Y. (2020). The Impact of Cognitive Ability and faith in intuition on Investors’ Trading Strategies and Performance (Evidence from the iran Capital Market). Financial Management Perspective. (in-persian)
8.Kim, R., So, C. H., Jeong, M., Lee, S., Kim, J., & Kang, J. (2019). Hats: A hierarchical graph attention network for stock movement prediction. ArXiv Preprint ArXiv:1908.07999.
8.Lahmiri, S., & Bekiros, S. (2020). Nonlinear analysis of Casablanca Stock Exchange, Dow Jones and S&P500 industrial sectors with a comparison. Physica A: Statistical Mechanics and Its Applications, 539, 122923.
9.Lahmiri, S., Uddin, G. S., & Bekiros, S. (2017). Nonlinear dynamics of equity, currency and commodity markets in the aftermath of the global financial crisis. Chaos, Solitons & Fractals, 103, 342–346.
10.Memon, B. A., & Yao, H. (2019). Structural change and dynamics of Pakistan stock market during crisis: A complex network perspective. Entropy, 21(3), 248.
11.Nti, I. K., Adekoya, A. F., & Weyori, B. A. (2020). A comprehensive evaluation of ensemble learning for stock-market prediction. Journal of Big Data, 7(1), 1–40.
12.Osoolian, M., Esfidavajani, S. A. H., & Bagheri, M. (2019). Stock market index analysis with entropy approach. Financial Management Perspective. (in-persian)
13.Osoolian, M., M.R.A.N., & Davari, M. (2017). The effect of brand value on company profitability. Financial Management Perspective. (in-persian)
14.Rao, M., Chen, Y., Vemuri, B. C., & Wang, F. (2004). Cumulative residual entropy: a new measure of information. IEEE Transactions on Information Theory, 50(6), 1220–1228.
15.Sadeghi Sharif, S. J., & Janiarloo, S. I. (2017). The role of working capital management in profitability clearing of listed firms in Tehran Stock Exchange by method of EGLS. Financial Management Perspective. (in-persian)
16.Shannon, C. E. (1949). Communication theory of secrecy systems. The Bell System Technical Journal, 28(4), 656–715.
17.Stosic, D., Stosic, D., Ludermir, T., de Oliveira, W., & Stosic, T. (2016). Foreign exchange rate entropy evolution during financial crises. Physica A: Statistical Mechanics and Its Applications, 449, 233–239.
18.Taghizadeh, M., Gholamreza Mohtashami Barzadaran, & Amini, M. (2018). Entropy measurement to evaluate volatile stock market indices. 14th Iranian Statistics Conference. (in-persian)
19.Xiong, H., Shang, P., & Zhang, Y. (2019). Fractional cumulative residual entropy. Communications in Nonlinear Science and Numerical Simulation, 78, 104879.
20.Zhang, X., Ma, C., & Yu, X. (2019). A neural network model for financial trend predicting. Cluster Computing, 22(2), 3487–3494.
21.Zhou, R., Liu, X., Yu, M., & Huang, K. (2017). Properties of risk measures of generalized entropy in portfolio selection. Entropy, 19(12), 657.

فایل ها

هم رسانی

ارجاع به این مقاله

آمار