دانلود پایان نامه
در این روش، پیش بینی مقادیر یک متغیر حداقل تا اندازه ای به مقادیر یک سری یا بیش از یک سری بستگی دارد که متغیرهای پیش بینی کننده یا توضیحی نام دارند.
برخی از روشهای مورد استفاده در این نوع پیش بینی ها عبارتند از: رگرسیون های چندمتغیره و مدل های اقتصادسنجی
در عمل، یک روش پیش بینی ممکن است ترکیبی از روشهای فوق باشد. یک روش دیگر در تقسیم بندی روشهای پیش بینی، روشی است مابین یک روش خودکار – که بدون دخالت انسان باشد – و یک روش غیرخودکار – که مستلزم وارد کردن برخی از ورودی های ذهنی توسط شخص پیش بینی کننده می باشد. مورد اخیر، تلفیقی از روشهای ذهنی و روشهای چندمتغیره می باشد. ( چتفیلد، 1995، ص66-67)
2-3-8. انواع واریانس
روش های سنتی تجزیه وتحلیل سری های زمانی عمدتا مرتبط با تجزیه واریانس یک سری به روند، واریانس فصلی، سایر تغییرات چرخه ای و نوسانات نامنظم داده ها در طول دوره می باشد. این روش همیشه بهترین روش نمی باشد اما در شرایطی که واریانس تحت تاثیر روند یا اثرات فصلی قرار می گیرد مناسب می باشد. منابع متفاوت واریانس عبارتند از:
اثر فصلی
بسیاری از سری های زمانی از قبیل ارقام فروش و دمای هوا، یک واریانس سالیانه را در طول دوره نشان می دهند. این واریانس سالینه را می توان به راختی تشخیص داد و آن را به سادگی محاسبه نمود و یا اینکه می توان اثر آن را در داده ها حذف کرد.
سایر تغییرات چرخه ای
صرفه نظر اثرات فصلی، برخی از سری های زمانی در یک دوره ثابت به جهت برخی علل فیزیکی دیگر واریانس را نشان می دهند، مانند واریانس روزانه دمای هوا. به علاوه، برخی از سری های زمانی نوساناتی را نشان می دهند که در یک دوره ثابت رخ نمی دهند، اما تا حدودی قابل پیش بینی می باشند. به عنوان مثال در برخی مواقع چرخه های تجاری در یک دوره ای که حدودا بین 5 تا 7 سال می باشد داده های اقتصادی را تحت تاثیر قرار می دهند. اگرچه که در خصوص وجود چنین چرخه های تجاری بحث وجود دارد.
روند
در یک تعریف ، روند را تغییرات بلندمدت در سطح میانگین تعریف کرده اند. مشکلی که در این تعریف وجود دارد این است که منظور از بلندمدت چیست؟ ممکن است که در کوتاه مدت چنین نوسان بلندمدتی به شکل معنی دارتری یک روند تلقی گردد. بنابراین به هنگام صحبت در مورد روند باید تعدادمشاهدات در دسترس را مورد توجه قرار داد و یک تخمین ذهنی در مورد آنچه که بلندمدت نامیده می شود به عمل آورد. گرانگر (1966) در یک تعریف، روند در میانگین را شامل تمامی اجزاء چرخه ای می داند که طول موج (نوسان) آنها از طول سری زمانی مشاهده شده فراتر رود.
سایر نوسانات نامنظم
پس از حذف واریانس های روند و چرخه ای از یک سری از داده ها، هنوز با یک سری از پسماندها سروکار داریم که ممکن است تصادفی یا غیرتصادفی باشند. به منظور تجزیه و تحلیل سری هایی از این قبیل تکنیک های متنوعی وجود دارند که با استفاده از آنها می توان نامنظمی واریانس را برحسب مدل های آماری توصیف کرد. مدل های میانگین متحرک و اتورگرسیون از این قبیل می باشند. ضمن آنکه می توان به وجود هر گونه واریانس چرخه ای که ممکن است هنوز در پسماندها وجود داشته باشد پی برد. ( چتفیلد، 1995، ص9-10)
2-3-9. ویژگی های سری های زمانی مالی
اغلب سری های زمانی مالی از روند مشخصی برخوردار می باشند و نوسان داده ها در آنها در طول زمان ثابت نمی باشند. ( اندرس، 2004، ص108-109) برخی دیگر از ویژگی های این نوع داده ها عبارتند از : دنباله های پهن، نوسانات خوشه ای، اثرات اهرمی، حافظه بلندمدت، هم حرکتی در نوسان و رفتار گشت تصادفی
دنباله های پهن
اولین بار باچیلر (1990) مدل گام تصادفی را برای قیمت های بازار سهام پیشنهاد کرد. بر این اساس، بازده سهام یک متغیر تصادفی با توزیع نرمال است؛ ولی این فرض در دهه 1960 که برای اولین بار وجود دنباله های سنگین بازدهی ها مشخص شد، مورد تردید قرار گرفت. به طور مشخص، نخستین بار مندلبروت (1963) و سپس فاما (1965) و مندلبورت و تیلور (1967) مطرح کردند که سری بازدهی تمایل به توزیع قله ای ( لپتوکورتیک ) دارد. به بیان دیگر، عاملان بازار، افزایش یا کاهش های شدید بازدهی را محتمل می دانند.
مقایسه توزیع سری های زمانی مالی از قبیل بازده سهام با توزیع نرمال نشان می دهد که توزیع این داده ها دم پهن و از کشیدگی بیشتری برخوردار می باشند. گشتاور چهارم توزیع نرمال 3 می باشد در حالیکه در بیشتر داده های مالی این مقدار بیشتر از 3 می باشد. ( ایدمیر ، 2002، ص1-45)
نوسانات خوشه ای
نوسانات خوشه ای بر متغیر بودن واریانس بازدهی در طول زمان دلالت دارد. ممکن است سری بازدهی در دوره های مختلف رفتارهای متفاوتی را از خود به نمایش بگذارد. یعنی، در برخی دوره ها دارای نوسان کم و دوره های دیگر دارای نوسان زیاد باشد. در چنین شرایطی انتظار می رود که واریانس متغیر تصادفی بازدهی ثابت نبوده و تابعی از رفتار جملات خطا باشد. وجود نوسانات خوشه ای را مندلبورت (1963) این گونه بیان می کند که: ” این تمایل وجود دارد که تغییرات بزرگ با تغییرات بزرگ و در همان جهت، و تغییرات کوچک نیز با تغییرات کوچک و در همان جهت همراه باشند.” ( بلرسلو، انگل و نلسون، 1994)
این نوسانات هنگامی ظاهر می شوند که دوره هایی که در آنها آرامش بر بازار حاکم است با دوره هایی که در انها آشفتگی شدیدی وجود دارد با یکدیگر تلاقی می نمایند. تغییری که میان این دو رژیم کاملا متفاوت رخ می دهد فرآیندی است که طی آن، بازده های بزرگ تا رسیدن به یک وضعیت نسبتا آرام به تدریج کاهش می یابند. (بالی و همکاران ، 2008)
اثرات اهرمی
اثر اهرمی به رابطه منفی بازدهی سهام با ریسک سهام دلالت دارد. یعنی اگر بازدهی سهام افزایش یابد، میزان نوسان بازدهی سهام کاهش می یابد و برعکس. اثر اهرمی ابتدا توسط بلک (1967) مطرح شد. ( بلرسلو، انگل و نلسون، 1994) نکته مهم در این نظریه، نامتقارن بودن نوسانات نسبت به افزیش و کاهش بازده سهام است. به بیان دیگر، شوک های منفی اثر بیشتری در مقایسه با شوک ها و اخبار مثبت بر جای می گذارند.
این ویژگی بیان می کندکه تغییرات قیمت بانوسان همبستگی منفی دارد. (ایدمیر،2002،ص1-45)