مدل عاملی

الگوی قیمت گذاری آربیتراژ توسط راس در سال 1976 معرفی شد. مهم ترین فرض این الگو، نبود آربیتراژ در بازار است. در این الگو، قیمت یک دارایی با توجه به میزان ریسک دارایی تعیین می شود و چندین عامل کلان ریسک یک دارایی را توضیح می دهند. هدف اصلی این تحقیق، آزمون برقراری شرایط الگوی قیمت گذاری آربیتراژ در بورس سهام تهران است. به این منظور، اطلاعات مربوط به قیمت سهام 20 شرکت بورسی و شش شاخص کلان اقتصادی گردآوری و مورد استفاده قرار گرفت، همچنین از روش تخمین SUR برای تخمین سیستم معادلات و از آماره LR به منظور آزمون برقراری شرایط الگوی قیمت گذاری آربیتراژ استفاده شد. در نهایت، با داده ها و روش تخمین مذکور برقراری APT در بورس سهام تهران رد نشد.

چکیده مناطق مختلف در یک کشور واکنش های متفاوتی به شوک های پولی نشان می دهند. این موضوع در اقتصاد ایران نیز مطرح است. با توجه به اهمیت این موضووع در سیاستگذاری های اقتصادی، هدف این مطالعه، بررسی آثار شوک های پولی در چارچوب مکانیسم انتقال پولی غیرسیستماتیک بر اشتغال استان های مختلف کشور است. جهت دستیابی به این هدف، آثار شوک های پولی برای30 استان کشور در قالب مدل TVP-FAVAR با استفاده از ضرایب متغیر در زمان برای داده های فصلی 1384:1- 1394:4 مورد بررسی قرار گرفته است. نتایج این مقاله نشان می دهد که تفاوتهای مشخصی بین پاسخ اشتغال استان های مختلف به شوک های پولی وجود دارد. همچنین پاسخ مربوط به هر استان در زمانهای مختلف، متفاوت بوده و شرایط اقتصادی منطقه نقش مهمی در واکنش هر استان به شوک های پولی دارد.نتایج این مطالعه شواهدی برای نامتقارن بودن اثرات سیاست پولی در مناطق مختلف ارایه می کند. بنابراین پیشنهاد می شود بانک مرکزی در تصمیم گیری های سیاستی و اقتصادی، تفاوت های منطقه ای را در نظر داشته باشد.

ریسک و بازدهی از مفاهیم کلیدی در علم مالی و درواقع به عنوان دو روی سکه سرمایه گذاری قلمداد می گردند. ازآنجاکه ابزارهای مالی اسلامی، ابزارهایی نوظهور در کشورهای اسلامی و به ویژه بازار سرمایه ایران هستند، شناسایی ریسک های این ابزارها و به تبع آن نرخ بازده موردانتظار سرمایه گذاران به واسطه وجود ریسک های مرتبط با این ابزارها، از اهمیت چشم گیری برخوردار است. به همین واسطه تحقیق حاضر با بررسی ریسک های مرتبط با اوراق منفعت، تلاش می کند با استفاده از مدل های عاملی، رابطه بین ریسک و بازدهی در اوراق منفعت را مورد بررسی قرار دهد. در این تحقیق الگوی تخمین نرخ بازده موردانتظار اوراق منفعت باتوجه به ریسک های این اوراق بررسی شده است. جامعه آماری این تحقیق، صکوک منتشرشده -که دارای ساختار مالی مبتنی بر دارایی، یعنی اوراق اجاره و اوراق منفعت در بازار ابزارهای نوین مالی فرابورس ایران- است.

در دهه های اخیر، به دلیل اهمیت مقادیر آتی متغیرهای کلان اقتصادی، طیف وسیعی از روش ها و مدل های پیش بینی، مورد بررسی و ارزیابی قرار گرفته است. هدف اصلی این مقاله، مقایسه روش های مختلف پیش بینی رشد اقتصادی ایران با استفاده از داده های سری زمانی فصلی در دوره زمانی 96-1369 است. به منظور دستیابی به این هدف، به پیش بینی این متغیر با استفاده از مدل های DMA ، DMS ، BMA ، BVAR ، TVP و AR در سه افق پیش بینی (یک، چهار و هشت فصل) پرداخته شده است. مدل های مورد استفاده در این مطالعه، به سه طیف، بزرگ مقیاس (شامل 112 متغیر در نه بلوک عاملی)، متوسط مقیاس (شامل 10 متغیر) و مدل های تک متغیره، دسته بندی شده اند. نتایج مطالعه، نشان می دهد که پیش بینی مدل های گزینشی نمودن (DMS) و متوسط گیری الگوی پویا (DMA) نسبت به سایر روش های پیش بینی سنتی، دارای عملکرد پیش بینی بسیار کارآیی برای رشد اقتصادی ایران هستند .

یکی از مهم ترین مشکلات اقتصادی در ایران طی چند دهه اخیر پدیده ی تورم  بالا و دو رقمی است، به طوری که بهبود شرایط ناشی از وجود تورم بالا همواره یکی از اهداف مهم برنامه های توسعه کشور بوده است. دستیابی به این هدف مستلزم ایجاد ساز و کاری دقیق و هدفمند از فرآیند سیاستگذاری اقتصادی است که در شکل استاندارد خود، پیش بینی، هدف گذاری و تحلیل سیاستی را شامل می گردد. در این مطالعه از 108 متغیر فصلی در دوره زمانی96-1369 استفاده شده است. متغیرهای مورد استفاده شامل شاخص قیمت مصرف کننده به عنوان متغیر وابسته و 107 متغیر مستقل (پیش بینی کننده) بوده که در نه بلوک (بلوک قیمتی، بلوک تقاضا، بلوک دولت، بلوک خارجی، بلوک ستاده، بلوک پولی، بلوک مالی، بلوک انرژی و بلوک نیروی کار) به منظور استخراج عوامل گنجانده شده اند.از تحلیل مؤلفه ها ی اساسی برای استخراج عوامل با استفاده از تمامی متغیرها در هر بلوک استفاده شده است. علاوه بر این، وقفه های هر مدل با استفاده از BIC تعیین شده اند. همانند مطالعه کوپ و کوروبیلیس (2012) پیش بینی ها با سه افق کوتاه مدت(h=1)، افق میان مدت(h=4) و افق بلندمدت(h=8) در نظرگرفته شده است. هدف اصلی این مطالعه، مقایسه عملکرد پیش بینی مدل های DMA و DMS با BMA، BVAR، TVP و AR می باشد. به منظور ارزیابی عملکرد پیش بینی از مربع میانگین خطای پیش بینی ، قدرمطلق میانگین خطای پیش بینی، میانگین درصد قدرمطلق خطای پیش بینی، تورش خطای پیش بینی و واریانس خطای پیش بینی  و مجموع لگاریتم احتمالات پیش بینی استفاده شده است. علاوه بر این، به منظور مقایسه صحت پیش بینی از آزمون دیبولد-ماریانو (1995) استفاده شد. نتایج مطالعه نشان می دهد که پیش بینی مدل های گزینشی نمودن (DMS) و متوسط گیری الگوی پویا (DMA) نسبت به سایر روش های پیش بینی سنتی دارای عملکرد کاراتری برای نرخ تورم ایران هستند. یافته ها حاکی از آن است که در تمامی افق های پیش بینی، بلوک های پولی و قیمتی دارای بیشترین تعداد در استفاده از مدل بهینه در طول زمان بوده و کمترین تعداد نیز به بلوک دولت اختصاص داشته است.

هدف: منحنی بازده یکی از ابزارهای کلیدی در تحلیل های اقتصادی به شمار می رود که نقش مهمی در تفسیر انتظارات بازار نسبت به سیاست های پولی، وضعیت اقتصادی و تورم در بازه های زمانی مختلف ایفا می کند. این منحنی همچنین در حوزه هایی چون سیاست گذاری مالی، مدل سازی کسب وکار نهادهای مالی و تصمیم گیری های سرمایه گذاری مانند ارزش گذاری دارایی ها و مدیریت ریسک کاربرد فراوانی دارد. با وجود اهمیت بالای موضوع، پیش بینی و تحلیل منحنی بازده در ایران کمتر مورد توجه قرار گرفته است درحالیکه اقتصاد ایران با چالش هایی مانند تورم مزمن، نوسانات ارزی، تحریم ها و وابستگی به درآمدهای نفتی مواجه است. هدف این پژوهش، پیش بینی منحنی بازده اوراق دولتی بدون ریسک در ایران است. در این راستا، پیش بینی با توجه به دو بعد زمان و سررسید انجام شد به طوریکه ضمن بررسی رفتار بازده اوراق با سررسید مختلف در هر زمان، روند تغییرات هر سررسید در طول زمان نیز تحلیل شد. روش: با وجود توسعه روش های مختلف برای پیش بینی منحنی بازده، مدل عاملی نلسون-سیگل پویا به دلیل تفسیرپذیری بالا، کاهش ابعاد و توانایی خلاصه سازی منحنی در سه عامل کلیدی سطح، شیب و انحنا، به عنوان چارچوب پایه برآورد انتخاب شد. این عوامل به دلیل دلالت های اقتصادی و مالی مشخص، نقشی مهم در تصمیم گیری های سیاستی و راهبردی ایفا می کنند. در این پژوهش، با استفاده از داده های اسناد خزانه اسلامی در بازار سرمایه ایران، تلاش شد تا عوامل مذکور با مجموعه مدل ها ازجمله مدل خود رگرسیون برداری-گارچ (به عنوان مدل مبنا) و سایر مدل ها ذیل یادگیری ماشین مانند الگوریتم مبتنی بر تقویت گرادیان به عنوان مدل سطحی و مدل های شبکه عصبی پیچشی – حافظه طولانی کوتاه-مدت و واحد بازگشتی دارای دروازه به عنوان مدل یادگیری عمیق پیش بینی شوند. در نهایت با جایگذاری مقادیر پیش بینی شده سه عامل در معادله نلسون–سیگل پویا منحنی بازده آینده بازسازی گردد. شایان ذکر است که هر یک از مدل ها از نظر پیچیدگی، تفسیرپذیری، نیازهای داده ای، الزامات محاسباتی و نوع روابط (خطی -غیرخطی)، ویژگی هایی متفاوت دارند. یافته ها: یافته های پژوهش نشان می دهد که مدل خودرگرسیون برداری-گارچ در پیش بینی عامل سطح عملکرد بهتری نسبت به سایر مدل ها دارد. این برتری به دلیل ساختار خودرگرسیو این مدل است که برای تحلیل روندهای پایدار و طولانی مدت مناسب تر عمل می کند. در مقابل، مدل های یادگیری عمیق به دلیل محدودیت داده و ضعف در شناسایی روندهای طولانی مدت، دقت کمتری در پیش بینی این عامل داشته اند. اما در مورد عامل های شیب و انحنا که بیشتر تحت نوسانات کوتاه مدت و میان مدت قرار دارند، مدل های یادگیری عمیق عملکرد بهتری نسبت به مدل های سنتی از خود نشان داده اند. این برتری به توانایی آن ها در درک الگوهای پیچیده و غیرخطی در طول زمان بازمی گردد، درحالی که مدل های آماری کلاسیک به دلیل مفروضات سخت گیرانه در مواجهه با چنین نوساناتی دچار خطا می شوند. در مرحله بعد، پیش بینی سه عامل در معادله نلسون–سیگل پویا جای گذاری شده و دقت بازسازی منحنی بازده با معیار ریشه میانگین مربعات خطا سنجیده شد. نتایج نشان داد که هیچ یک از مدل ها به تنهایی برتری مطلق در پیش بینی هر سه عامل را ندارند. بنابراین، استفاده از ترکیب بهینه از مدل ها – به گونه ای که هر عامل توسط مدلی با کمترین خطا پیش بینی شود – می تواند دقت بازسازی منحنی بازده را افزایش دهد و این رویکرد با ساختار مدل نلسون–سیگل، مبتنی بر فرض استقلال عامل ها از یکدیگر، نیز سازگار است. نتایج نشان داد در صورتیکه عامل سطح با مدل خود رگرسیون برداری – گارچ یا شبکه عصبی پیچشی – حافظه طولانی کوتاه مدت، شیب با واحد بازگشتی دارای دروازه و انحنا با مدل خود رگرسیون برداری-گارچ یا الگوریتم مبتنی بر تقویت گرادیان برآورد شوند به بهترین نتایج یعنی کمترین انحراف از واقعیت معادل حدود نیم درصد منجر خواهد شد. نتیجه گیری: این پژوهش با هدف ارائه مدلی دقیق برای پیش بینی منحنی بازده در بازار مالی ایران انجام شد. بدین منظور، مدل نلسون-سیگل پویا انتخاب شد که منحنی بازده را در قالب سه عامل سطح، شیب و انحنا مدل سازی می کند. این تحقیق از مجموعه مدل های سنجی و یادگیری ماشین جهت برآورد استفاده کرد. در مرحله نخست، عملکرد مدل ها در پیش بینی عامل های نلسون-سیگل ارزیابی شد. نتایج نشان داد که مدل خودرگرسیون برداری-گارچ برای پیش بینی عامل سطح عملکرد برتری دارد، در حالی که مدل های یادگیری عمیق در پیش بینی عامل های شیب و انحنا، که نوسانات کوتاه مدت و میان مدت دارند، دقیق تر عمل کردند. در مرحله دوم، دقت بازسازی منحنی بازده بر اساس عامل های پیش بینی شده سنجیده شد. یافته ها نشان داد که بهترین ترکیب برای پیش بینی منحنی زمانی حاصل می شود که عامل سطح با مدل خودرگرسیون برداری – گارچ یا شبکه عصبی پیچشی – حافظه طولانی کوتاه مدت، عامل شیب با واحد بازگشتی دارای دروازه و عامل انحنا با خودرگرسیون برداری-گارچ یا الگوریتم مبتنی بر تقویت گرادیان پیش بینی شود که منجر به خطای بازسازی کمتر از نیم درصد خواهد شد