چگونه می توان مراحل مختلف حباب های بازار سهام را از نظر آماری شناسایی کرد؟

یوجین فاما یک بار در سال 2016 ذکر کرد که مردم روشهای شناسایی آماری حباب ها را ارائه نکرده اند. در این مقاله روش تغییر غیر پارامتری برای شناسایی مراحل مختلف حباب های سهام ارائه شده است و ما توزیع بدون علامت آن را تحت فرضیه تهی استخراج می کنیم. با شبیه سازی ، مقدار بحرانی مربوطه را بدست می آوریم. در تجزیه و تحلیل تجربی ، ما از این آزمون و روش تقسیم بندی باینری به حباب Nasdaq دهه 1990 استفاده می کنیم و همان نتیجه فیلیپس و همکاران را می گیریم.(2011). ما همچنین این آزمون را در شاخص S& P 500 ، شاخص سهام شانگهای ، شاخص Nikkei 225 ، شاخص FTSE 100 و شاخص CAC 40 به ترتیب اعمال می کنیم و مراحل مختلف حباب را در هر بازار سهام با موفقیت شناسایی می کنیم.

معرفی

از آنجا که نظریه های حباب به طرق مختلف توسعه می یابد ، محققان شروع به توجه به آزمایش حباب کردند. بیشتر آزمایشات حباب موجود به دلیل ویژگی های آماری نسبتاً بصری آنها ، آزمایش حباب های منطقی انجام می شود (لروی و پورتر ، 1981 ، شیلر ، 1981 ، همیلتون و ویتمن ، 1985 ، فروت و اورتفلد ، 1991 ، اوانز ، 1991 ، غرب ، 1987 ، دیبا وگروسمن ، 1988 ، هوم و بریتونگ ، 2012 ، Koustas and Serletis ، 2005). علاوه بر این ، آزمایش های حباب عمدتاً بر اساس روش ادغام کسری (Cuñado et al. ، 2005 ، Sibbertsen and Kruse ، 2009) و آزمایش ریشه واحد است (کیم ، 2000 ، دیمترسو و همکاران ، 2008).

با این حال ، دانشگاهیان و دست اندرکاران امور مالی هنوز از این پیشرفت های تست های حباب خوشحال نیستند. یوجین فاما در سال 2016 خاطرنشان كرد كه "از نظر آماری ، مردم روشهای شناسایی حباب ها را ارائه نداده اند". 1

[21] روش افزودنی Dicke y-Fuller (SADF) را برای تشخیص تاریخ شروع و تاریخ پایان یک حباب انفجاری ، که ثابت شد از تست های قبلی برای یافتن یک حباب انفجاری واحد برتر است ، پیشنهاد کرد. علاوه بر این ، [20] روش را به روش تعمیم یافته Dicke y-Fuller (GSADF) برای حباب های انفجاری متعدد گسترش داد. هاروی و همکاران.(2016) خاطرنشان كرد كه نوسانات غیر ثابت می تواند تأثیر جدی بر عملکرد آمار دیکی-مولف داشته باشد. مطالعات متعددی آزمایشاتی را برای تشخیص حباب های انفجاری تحت نوسانات هتروسکوپی احتمالی ارائه می دهد. HOMM و Breitung (2012) چندین آزمایش را برای تشخیص حباب های منطقی با استفاده از روش Cusum بررسی کردند. آستیل و همکاران.(2021) آمار CUSUM اصلاح شده را برای پاسخگویی به هتروسکوپراستیت ارائه داد. هاروی و همکاران ، 2017 ، هاروی و همکاران ، 2020 از یک رویکرد مبتنی بر BIC برای بهبود صحت آشنایی حباب در مقایسه با روشهای SADF و GSADF استفاده کردند.

با انگیزه تجزیه و تحلیل نقطه تغییر در هوروث و همکاران.(2017) ، در این مقاله از تجزیه و تحلیل نقطه تغییر برای شناسایی شکستگی های مختلف ساختاری قیمت سهام بورس استفاده می کند. بر اساس فرضیات وابستگی ضعیف ، ما تجزیه و تحلیل نقطه تغییر غیر پارامتری را در مدل حباب عمومی اعمال می کنیم ، که برای داده های مالی مناسب تر است. علاوه بر این ، ما صحت این آزمون تغییر غیر پارامتری در بازارهای بین المللی را تأیید خواهیم کرد.

این مقاله به شرح زیر سازماندهی شده است. بخش 2 آزمون تغییر غیر پارامتری را با فرضیات وابستگی ضعیف نشان می دهد و توزیع بدون علامت را تحت فرضیه تهی "بدون تغییر نقطه" (یا "بدون حباب") به دست می آورد. بخش 3 برنامه های تجربی از آزمون تغییر غیر پارامتری را برای شناسایی حباب های بازار سهام نشان می دهد. بخش 4 نتیجه گیری می کند.

قطعه قطعه

مدل اساسی و آزمون آماری

The model in Phillips and Yu (2011) and [20] describes a period of mildly explosive bubble, which has been summarized by Linton (2019) as follows: P i = P i − 1 + ɛ i , 1 ≤ i ≤ τ b δ n P i − 1 + ɛ i , τ b ≤ i ≤ τ e , P i − 1 + ɛ i , i ≥ τ e where P i is the log of stock price, δ n = 1 + c n − α for c>0 ، 0<α <1 , n is the fixed sample size; τ b represents the start date of mildly explosive bubble, and τ e represents the crash time of mildly explosive bubble.

مدل آزمایش ما بر اساس تفاوت مرتبه اول قیمت سهام است: r i = p i-p i-1 = ɛ i ، 1 ≤ i ≤ τ b b b i + ɛ i

تحلیل تجربی

ما از آزمون تغییر نقطه تغییر غیر پارامتری استفاده می کنیم ، که از روش تقسیم بندی باینری استفاده می کند (Vostrikova ، 1981 ، Horváth et al. ، 2017) برای تشخیص نقاط تغییر چندگانه. تست تغییر نقطه تغییر غیر پارامتری می تواند مراحل مختلف حباب را شناسایی کند (در بیشتر موارد ، می توانیم سه یا چند بار تغییر را در دوره حباب شناسایی کنیم: تاریخ شروع ، تاریخ خرابی ، تاریخ پایان و سایر موارد). ایده اصلی آزمون تغییر غیر پارامتری تقویت شده: در وهله اول

نتیجه

با توجه به این واقعیت که داده های مالی به طور مستقل وابسته هستند ، به جای توزیع مستقل و یکسان ، این مقاله روش تغییر غیر پارامتری را برای آزمایش حباب ارائه می دهد و با موفقیت آن را برای شناسایی مراحل مختلف حباب های سهام اعمال می کند. ما یک تست غیر پارامتری جدید را معرفی می کنیم و توزیع بدون علامت آن را تحت فرضیه تهی "بدون حباب" استخراج می کنیم. با شبیه سازی ، مقدار بحرانی مربوطه را بدست می آوریم. برای تشخیص مراحل مختلف حباب ، ما

اعلام علاقه رقیب

نویسندگان اعلام می كنند كه آنها هیچ منافع مالی رقیب یا روابط شخصی را كه به نظر می رسد بر اثر گزارش شده در این مقاله تأثیر می گذارد ، ندارند.< SPAN> با توجه به این واقعیت که داده های مالی وابسته به سریال هستند ، به جای توزیع مستقل و یکسان ، این مقاله روش تغییر غیر پارامتری را برای آزمایش حباب ارائه می دهد و با موفقیت آن را برای شناسایی مراحل مختلف حباب های سهام اعمال می کند. ما یک تست غیر پارامتری جدید را معرفی می کنیم و توزیع بدون علامت آن را تحت فرضیه تهی "بدون حباب" استخراج می کنیم. با شبیه سازی ، مقدار بحرانی مربوطه را بدست می آوریم. برای تشخیص مراحل مختلف حباب ، ما