دانلود پایان نامه

است:
درصورتی که بازده صنعت ماشین‌الات در رژیم 1 قرار داشته باشد، به احتمال 92 درصد (p_11) در دوره بعدی نیز در رژیم 1 قرار خواهد داشت179. همچنین مدت زمان مورد انتظار برای اولین انتقال از رژیم 1 به 2 به شرط اینکه سیستم از رژیم 1 آغاز شده باشد برابر است با:
φ_2=1/(1-p_11 )=12.5 days

یعنی مدت زمان مورد انتظار ماندگاری در رژیم 1 (حالت رکود) برابر با 12.5 روز می‌باشد.

درصورتی که بازده صنعت ماشین‌الات در رژیم 2 قرار داشته باشد، به احتمال 81 درصد (p_22) در دوره بعدی نیز در رژیم 2 قرار خواهد داشت180. همچنین مدت زمان مورد انتظار برای اولین انتقال از رژیم 2 به 1 به شرط اینکه سیستم از رژیم 2 آغاز شده باشد برابر است با:
φ_2=1/(1-p_22 )=5.263 days

یعنی مدت زمان مورد انتظار ماندگاری در رژیم 2 (حالت رونق) برابر با 5.263 روز می‌باشد.

4-2-4- گام چهارم: آزمون نرمالیتی
پس از تخمین مدلهای خانواده GARCH و خانواده سوئیچینگ مارکوف، در این مرحله با استفاده از آزمون جارک-برا، نرمال بودن توزیع متغیر بازدهی شاخص در هر یک از مدلهای برآورد شده مورد آزمون قرار می‌گیرد. در صورت تایید تبعیت سری زمانی بازدهی شاخص از توزیع نرمال در مدلهای برآورد شده، این مدل‌ها به گام بعدی منتقل میشوند. در غیر این صورت توزیع مناسب (بین t و GED) متغیر در مدلها بر حسب توزیع آزمون نسبت درستنمایی گارسیا و پرون LRPGانتخاب میشوند.
برای شروع این گام ابتدا نرمالیتی پسماندهای مدل‌های مبتنی بر توزیع نرمال را با استفاده از آزمون جارک-برا مورد بررسی قرار می‌دهیم. جداول (4-7) نتایج این آزمون را نشان می‌دهد.
جدول(4-7): نتایج آزمون جارک-برا در مدل‌های خانواده GARCH بدون لحاظ نمودن اثر سوئیچینگ
صنعت
GARCH
EGARCH
IGARCH

ساده
میانگین
ساده
میانگین
ساده
میانگین
سرمایه‌گذاری
112.5
(0.000)
127.7
(0.000)
112.6
(0.000)
131.5
(0.000)
112.7
(0.000)
962.1
(0.000)
شیمیایی
3971.3
(0.000)
4024.1
(0.000)
4000.4
(0.000)
4046.2
(0.000)
3985.2
(0.000)
10.74
(0.004)
بانک
682.1
(0.000)
681.1
(0.000)
539.3
(0.000)
556.6
(0.000)
632.3
(0.000)
872.8
(0.000)
دارو
6050.1
(0.000)
6543.6
(0.000)
5125.8
(0.000)
4682.7
(0.000)
5236.6
(0.000)
5691.1
(0.000)
خودرو
136.9
(0.000)
139.6
(0.000)
135
(0.000)
134.1
(0.000)
133.8
(0.000)
144.7
(0.000)
فلزات‌اساسی
266.1
(0.000)
263.7
(0.000)
315.5
(0.000)
258
(0.000)
299.1
(0.000)
287.3
(0.000)
قندوشکر
15052.1
(0.000)
15434.3
(0.000)
15069.8
(0.000)
15228.2
(0.000)
15065.9
(0.000)
15516.3
(0.000)
سیمان
681.2
(0.000)
695.8
(0.000)
681.3
(0.000)
632.6
(0.000)
675.9
(0.000)
709.1
(0.000)
معدن
13640.3
(0.000)
14361.5
(0.000)
13652.3
(0.000)
14437.2
(0.000)
13645
(0.000)
6528.6
(0.000)
مستغلات
149.9
(0.000)
150.3
(0.000)
149.6
(0.000)
153.5
(0.000)
155.5
(0.000)
168.9
(0.000)
بیمه
11051.6
(0.000)
10999.1
(0.000)
11218.3
(0.000)
11135.1
(0.000)
12340.1
(0.000)
69.9
(0.000)

همان‌طور که از نتایج جداول فوق مشاهده می‌گردد، نرمال بودن پسماندهای مدل‌های برآوردی بر حسب توزیع نرمال برای بازدهی شاخص کلیه صنایع در هر 6 مدل با فرض توزیع نرمال رد ‌گردید. نتایج آزمون مدل‌های با احتساب اثر سوئیچینگ نیز این موضوع را تایید نمود. در واقع مقادیر آورده شده مربوط به هر صنعت در هر یک از مدل‌ها از دو عدد تشکیل می‌شوند. رقم نخست مربوط به آماره آزمون جارک-برا181 می‌باشد و رقم داخل پرانتز مربوط به احتمال نرمال بودن توزیع جمله اخلال می‌باشد. در صورتی که ارقام مربوط به احتمال بیش از 5 درصد باشد، توزیع نرمال مدل برآورد شده تایید می‌گردد، در غیر اینصورت توزیع متغیر در مدل برآورد شده از نوع دیگری (t و GED) تبعیت می‌کند. همانگونه که از نتایج جداول فوق مشاهده می‌گردد، در کلیه مدل‌ها و برای همه صنایع مقدار احتمال کمتر از 5 درصد می‌باشد.
پس از آزمون نرمالیتی و رد تبعیت متغیر بازدهی شاخص در مدل‌های برآورد شده از توزیع نرمال، سوالی که در اینجا مطرح می‌شود اینکه کدام یک از توزیع‌های t و GED به عنوان توزیع مناسب متغیر برای مدل‌های برآورد شده به حساب می‌آید. در این رابطه با توجه به برخی محدودیت‌های وارده بر آزمون‌های نسبت درستنمایی معمولی، ضریب لاگرانژ و والد182، از آزمون درستنمایی (LRPG) پیشنهاد شده توسط گارسیا و پرون183 (1996) استفاده می‌گردد. آنها برای آزمون پیشنهادی خود از رویکرد حد بالایی داویس184 (1987) استفاده نمودند و با تعریف L_0 به عنوان ارزش لگاریتم درستنمایی تحت فرضیه صفر و L_1 به عنوان ارزش لگاریتم درستمایی تحت فرضیه جایگزین، آماره آزمون خود را به صورت LR_PG=2×(L_1-L_0) تعریف نمودند.
با توجه به تفاسیر فوق در این رابطه ابتدا پس از تخمین هر یک از مدل‌های 18 گانه هر صنعت، ارزش لگاریتم درستمایی آنها استخراج می‌شود. در جدول زیر مقادیر ارزش لگاریتم درستنمایی هر یک از مدل‌ها در صنایع بر حسب نوع تابع توزیع در ستون‌های مربوطه آورده شده است. سپس مقدار آماره آزمون LR_PGرا بر اساس فرمول LR_PG=2×(L_1-L_0) بدست آمد. این مقادیر در ستون پایانی مربوط به هر یک از مدل‌های برآورد شده در جدول (4-8) ارائه شده است. پس از استخراج آماره LR، مقدار آن با آماره χ^2 در سطح 5 درصد مقایسه می‌گردد. در صورتی که مقدار آماره LR_PG، بیشتر از آماره χ^2 باشد، توزیعی که ارزش لگاریتم درستمایی بیشتری دارد به عنوا
ن توزیع بهینه انتخاب می‌گردد، در غیر اینصورت اگر مقدار آماره LR، کمتر از آماره χ^2 باشد، توزیعی که ارزش لگاریتم درستمایی کمتری دارد به عنوان توزیع بهینه انتخاب می‌گردد. شایان ذکر است که در بررسی زوجی توزیع‌ها، توزیعی که ارزش لگاریتم درستمایی بیشتری دارد به عنوان L1 و توزیعی که ارزش لگاریتم درستمایی کمتری دارد به عنوان L0 در تعیین مقدار LR_PG در نظر گرفته می‌شود.
درصورتی که بخواهیم مدل بهینه را در میان 6 مدل بر حسب دو نوع توزیع انتخاب نماییم، ابتدا مدلی که دارای بیشترین مقدار ارزش لگاریتم درستمایی است را انتخاب نموده و پس از انتخاب مدل، آزمون LR_PGرا برای توابع توزیع آن مدل بصورت موارد ذکر شده در فوق انجام و توزیع بهینه انتخاب می‌گردد. به عنوان نمونه در صنعت سرمایه‌گذاری، بیشترین ارزش لگاریتم درستنمایی مربوط به مدل EGARCH-M برای تابع توزیع t می‌باشد. پس از انتخاب مدل، نتیجه آزمون LR_PGبرابر با 7.88 می‌باشد که بالاتر از آماره χ^2 در سطح 5 درصد می‌باشد. بنابراین توزیع بهینه متغیر بازدهی شاخص در این مدل، توزیع t می‌باشد.
 

جدول (4-8): نتایج آزمون نسبت درستنمایی گارسیا و پرون در مدل‌های خانواده GARCH بدون لحاظ نمودن اثر سوئیچینگ
صنعت
GARCH
EGARCH
IGARCH

ساده
میانگین
ساده
میانگین
ساده
میانگین

t
GED
آماره آزمون
t
GED
آماره آزمون
t
GED
آماره آزمون
t
GED
آماره آزمون
t
GED
آماره آزمون
t
GED
آماره آزمون
سرمایه‌گذاری
4005.02
4000.01
10.02
4005.96
4001.13
9.67
4007.87
4003.75
8.24
4008.68
4004.74
7.88
3993.71
3986.99
13.43
3877.99
3881.43
6.90
شیمیایی
4053.229
4050.22
6.01
4057.99
4055.52
4.91
4056.19
4055.30
1.786
4058.879
4059.01
0.262
4033.343
4033.611
0.536
3957.468
4037.411
159.8
بانک
4178.821
4166.30
25.04
4178.43
4168.72
19.41
4178.10
4168.34
19.53
4178.432
4168.727
19.41
4164.48
4149.096
30.76
4164.48
4149.104
30.75
دارو
4951.92
4920.96
61.91
4951.94
4921.02
61.83
4955.71
4930.65
50.11
4955.69
4930.843
49.69
4927.041
4901.654
50.77
4927.102
4901.655
50.89
خودرو
3363.863
3348.27
31.18
3364.98
3348.40
33.16
3369.92
3353.33
33.17
3372.205
3354.029
36.35
3354.222
3336.903
34.63
3354.736
3336.947
35.57
فلزات‌اساسی
3851.886
3849.00
5.758
3851.37
3847.63
7.464
3857.39
3853.26
8.252
3861.242
3858.236
6.012
3832.556
3846.207
27.30
3846.592
3846.757
0.33
قندوشکر
3697.864
3659.20
77.32
3698.46
3659.51
77.89
3703.08
3664.72
76.71
3704.595
3665.472
78.24
3675.842
3636.046
79.59
3631.84
3636.341
9.002
سیمان
4624.385
4626.31
3.854
4624.38
4626.57
4.374
4638.99
4635.92
6.14
4638.95
4636.067
5.766
4610.104
4610.501
0.794
4610.107
4598.748
22.71
معدن
3865.783
3821.59
88.37
3865.79
3822.33
86.90
3836.59
3820.60
31.99
3836.779
3821.087
31.38
3837.086
3794.267
85.63
3837.091
3795.233
83.71
مستغلات
4089.839
4090.72
1.778
4089.92
4090.95
2.05
4092.65
4091.87
1.562
4092.59
4092.254
0.672
4082.56
4082.017
1.086
4082.994
4083.044
0.1
بیمه
3897.982
3865.07
65.81
3898.24
3865.06
66.34
3900.89
3877.93
45.92
3900.029
3877.992
44.07
3720.394
3855.526
270.2
3730.023
3855.114
250.1

با توجه به نتایج جدول (4-8) مشاهده می‌گردد که بازده اکثر صنایع منتخب از مدل‌های EGARCH تبعیت می‌کنند. در این خانواده نیز برخی از صنایع از مدل EGARCH-M و برخی دیگر از مدل EGARCH تبعیت می‌کنند. همچنین مدل منتخب برای بازده صنایع بانک و معدن GARCH ساده با توزیع t می‌باشد.
فرآیند انتخاب مدل و توزیع بهینه برای مدل‌های خانواده GARCH با لحاظ نمودن اثر سوئیچینگ با استفاده از نتایج آزمون نسبت درستنمایی گارسیا و پرون نیز مانند روند فوق می‌باشد. نتایج آزمون نسبت درستنمایی گارسیا و پرون برای این خانواده از مدل‌ها نشان می‌دهد که کلیه مدل‌های منتخب از خانواده EGARCH و از مدل EGARCH-M می‌باشد. در واقع طبق نتایج جدول (4-9)، کلیه مدل‌های منتخب برای صنایع دارای بازخورد می‌باشند، همچنین اکثر بازدهی صنایع دارای اثر اهرمی در هر دو رژیم می‌باشند بگونه‌ای که بازدهی صنایع شوک‌های متفاوتی را از اخبار خوب و بد در هر دو رژیم می‌پذیرند. البته برخی از صنایع (شامل بانک، خودرو، فلزات اساسی و مستغلات) صرفاً در یک رژیم دارای اثر اهرمی هستند.
همچنین نوسانات بازده‌هی شاخص تاثیر معناداری بر میانگین بازدهی شاخص کلیه صنایع در هر دو رزیم داشته است که در اکثر موارد این تاثیرات بسته به نوع رژیم متفاوت می‌باشد.

جدول (4-9): نتایج آزمون نسبت درستنمایی گارسیا و پرون در مدل‌های خانواده GARCH با لحاظ نمودن اثر سوئیچینگ
صنعت
GARCH
EGARCH
IGARCH

ساده
میانگین
ساده
میانگین
ساده
میانگین

t
GED
آماره آزمون
t
GED
آماره آزمون
t
GED
آماره آزمون
t
GED
آماره آزمون
t
GED
آماره آزمون
t
GED
آماره

متن کامل پایان نامه ها در سایت sabzfile.com

دیدگاهتان را بنویسید