نظریه و کاربرد هوش و یادگیری و یادگیری ماشین

مدل ارزیابی کمی نقدینگی بازار سهام توسط عوامل کلان اقتصادی

چکیده

به منظور درک بیشتر اثرات عوامل کلان اقتصادی بر نوسانات و نقدینگی بازار سهام و حل این مشکل که مدل اندازه گیری نوسانات سنتی اطلاعات داده های فرکانس بالا را در مدل سازی تأثیر عوامل کلان اقتصادی بر نوسانات بازار سهام ، قیمت ماهانه مصرف کننده از دست می دهد. شاخص ، نرخ ارز روزانه و عرضه پول ماهانه به عنوان شاخص های اصلی برای بررسی نقدینگی بازار سهام در تحقیقات گرفته می شود. در همین حال ، از مدل Carch-Midas برای بررسی عوامل مؤثر بر نقدینگی بازار سهام استفاده می شود. از طریق تست مدل ، مشخص شده است که مقدار H مدل اثر نوسانات از سه عامل 0. 0307 و مقدار H مدل اثر افقی 0. 0220 است و نتیجه مدل اثر افقی نزدیک به 1 ٪ است. نتایج نشان می دهد که مدل Carch-Midas در ارزیابی کمی و پیش بینی نقدینگی و نوسانات بازار سهام نسبتاً دقیق است.

1. مقدمه

بازار سهام همیشه "فشارسنج" برای پیش بینی تغییرات کلان اقتصادی در یک کشور و یک منطقه بوده است و این بخش مهمی از اقتصاد یک کشور است [1]. بازار سهام نقش مهمی در تأمین مالی ، تخصیص منابع و جلوگیری از ریسک یک کشور دارد. با این حال ، مکانیسم داخلی و قوانین و مقررات مربوطه هنوز از دیدگاه وضعیت توسعه بازار سهام چین کامل نیست. این امر همچنین منجر به این واقعیت می شود که باید از سیاست های تنظیم کلان اقتصادی کشور برای جلوگیری از نوسانات بزرگ در بورس تا حد زیادی استفاده شود [2]. در فرآیند مدل اندازه گیری نوسانات بازار سهام سنتی در تحقیقات عوامل کلان اقتصادی بر تأثیر نقدینگی و نوسانات بازار سهام ، از همان داده های فرکانس بیشتر برای مدل سازی استفاده می شود. این روش در واقع اطلاعات ارزشمندی از داده های فرکانس بالا از دست می دهد شامل داده هایی است که برای کشف تأثیر عملی کلان اقتصادی برای نقدینگی بازار سهام از زاویه هدف کمک نمی کند. بنابراین ، روش ساخت مدل CARCH-MIDAS برای بررسی بهتر عوامل مؤثر در نقدینگی بازار سهام و ارائه مرجع داده های علمی برای ارزیابی کمی و پیش بینی نقدینگی و نوسانات بازار سهام ارائه شده است [3].

2. بررسی ادبیات

Hyeong اندازه گیری تحقق یافته را با نرخ بازده و نوسانات سهام متصل کرد و مدل GARCH تحقق یافته را ساخت [4]. مدل GARCH بر اساس داده های با فرکانس بالا برای بهبود توانایی پیش بینی نوسانات مورد مطالعه قرار گرفته است. اثرات پیش بینی مدل GARCH بر نوسانات بازار سهام تحت توزیع های مختلف با نتایج تجربی مقایسه می شود. به دلیل توزیع عادی ، ما نمی توانیم نوسانات "اوج تیز و دم ضخیم" را به طور مؤثر توصیف کنیم.

ZKUL مدل GARCH تحقق یافته را پیشنهاد کرد که در آن توزیع باقیمانده منوط به توزیع استاندارد T و توزیع جزئی T بود و ثابت کرد که در مقایسه با توزیع عادی استاندارد ، مدل توزیع T استاندارد و توزیع جزئی T دقیق تر بوددر اثر پیش بینی [5]. مدل EGARCH در پیش بینی نوسانات از مدل GARCH برتر بود. یون با توجه به تأثیر اهرم نوسانات ، مدل Egarch تحقق یافته را مطرح کرد و ثابت کرد که مدل EGARCH تحقق یافته می تواند توانایی پیش بینی نوسانات بازار سهام را به طور قابل توجهی بهبود بخشد [6]. همبستگی دم بین صنایع مالی توسط مدل های تحقق یافته EGARCH و زمان متغیر زمان مورد بررسی قرار گرفت. ثابت شد که مدل EGARCH مبتنی بر توزیع جزئی بهترین اثر و پیش بینی مناسب را دارد. با توجه به اینکه انتخاب اقدامات مختلف تحقق یافته می تواند اثر پیش بینی مدل را تغییر دهد ، با مقایسه اقدامات مختلف تحقق یافته ، مشخص شد که با استفاده از هسته تحقق یافته با سر و صدای بازار ، می توان نتایج پیش بینی دقیق تری بدست آورد. علاوه بر این ، نوسانات تحقق یافته با مدل GARCH ترکیب شد. یو اثر اهرم نوسانات را بر اساس مدل نوسانات تصادفی (SV) در نظر گرفت و مدل SV تحقق یافته (RSV) را برای بحث در مورد تأثیر پیش بینی نوسانات ساخت.

کیم برای تجزیه و تحلیل رابطه بین اقتصاد کلان و نوسانات بازار سهام در مناطق مختلف ، از Spline Garch-Midas ، مدل تجزیه مؤلفه نوسانات بازار سهام استفاده کرد. این یافته ها حاکی از آن است که برخی از تغییرات کلان اقتصادی ، مانند تولید ناخالص داخلی و CPI ، با تأثیرات طولانی مدت تغییرات در بورس ارتباط دارد [8].

زیدانین شاخص کامپوزیت شانگهای و متغیرهای کلان اقتصادی مانند عرضه پول ، فروش خرده فروشی کالاهای مصرفی و IP را بر اساس مدل رگرسیون چندگانه تجزیه و تحلیل کرد ، و به صورت تجربی نشان داد که شاخص کامپوزیت شانگهای با متغیرهای کلان اقتصادی مانند عرضه پول و فروش خرده فروشی از فروش خرده فروشی ارتباط مثبت داردکالاهای مصرفی ، در حالی که با پس انداز خانوار همبستگی منفی دارد [9].

ویکتوروف از مدل Garch-Midas برای مطالعه رابطه بین نوسانات صنعت و صنعت کلان استفاده کرد و نتایج نشان می دهد که هم سطح و هم تغییر ارزش درآمد مثبت است. سطح CPI ، سطح نرخ ارز و نوسان مداوم همه تأثیر منفی بر نرخ ارز کالاهای فله چین داشته است [10].

3. مدل نوسانات داده با فرکانس مختلط

3. 1مدل نمونه گیری داده های با فرکانس مختلط (MIDAS)

به منظور حل مشکل فرکانس داده در مدل سازی ، یک مدل رگرسیون مدل رگرسیون مرکب (MIDAS) با روش مدل سازی تجاری تهیه شد [11 ، 12]. بیان مدل تاخیر توزیع شده به شرح زیر است: