دانش سرمایه‌گذاری

دانش سرمایه‌گذاری

کالیبراسیون بازه‌ی اثر گذاری شاخص‌های اقتصاد کلان بر قیمت معاملات سهام بازار بورس ایران با استفاده از الگوریتم آتوماتای سلولی

نوع مقاله : مقاله پژوهشی

نویسندگان
سید علیرضا احمدی 1
سیدعلی پایتختی اسکوئی 2
سیروس فخیمی آذر 3
یونس بادآور نهندی 4
1 دانشجوی دکتری مهندسی مالی،دانشگاه آزاد اسلامی، واحد تبریز، تبریز ، ایران،
2 دانشیارگرو ه اقتصاد، دانشگاه آزاد اسلامی، واحد تبریز، ایران،
3 استادیارگروه مدیریت، دانشگاه آزاد اسلامی، واحد تبریز، ایران
4 دانشیارگروه حسابداری، دانشگاه آزاد اسلامی، واحد تبریز، ایران
10.22034/jik.2026.24009
چکیده
هدف این پژوهش بومی سازی محدوده‌ی تاثیر متغیرهای کلان اقتصادی بر معاملات بازار بورس به منظور پیش‌بینی روندهای حرکت قیمت سهام و بازه تاثیرگذاری شاخص‌های کلان اقتصادی بر بازار سهام به ویژه برای هر نماد می‌باشد. دراین پژوهش با استفاده از الگوریتم آتوماتای‌سلولی به کالیبراسیون اثر گذاری متغیرهای قیمت نفت، قیمت طلا، نرخ تورم ،نرخ ارز، شاخص تولیدات صنعتی و حجم نقدینگی پرداخته شده است. داده‌های بررسی شده به عنوان جامعه آماری، معاملات انجام شده در بورس اوراق بهادار تهران طی بازه پنج ساله از 01/05/1395 الی 01/05/1400 و اطلاعات شاخص‌های اقتصادی منتشره در سایت بانک مرکزی می‌باشد.نتایج بدست آمده دوره تاثیراین شاخص‌ها بر بازار بورس را به ترتیب 31 ، 26 ، 54 ، 32 ، 73 و69 روز نشان می‌دهد.
کلیدواژه‌ها
آتوماتای‌سلولی
کالیبراسیون
متغیرهای کلان اقتصادی
قیمت سهام

عنوان مقاله English

Calibration of the impact interval of macroeconomic indicators on the price of stock transactions in the Iranian stock market using the cellular automata algorithm.

نویسندگان English

S.Alireza Ahmadi 1
Seyyed Ali Paytakhti Oskooe 2
Cyrus Cyrus Fakhimi Azar 3
Yunus Badavar Nahandi 4
1 Ph.D. Candidate in financial engineering, Tabriz Branch, Islamic Azad University, Tabriz, Iran.
2 Associate Professor, Department of Economics, Tabriz Branch, Islamic Azad University, Tabriz, Iran
3 Associate Professor, Department of Management , Tabriz Branch, Islamic Azad University, Tabriz, Iran
4 Assistant Professor, Department of Accounting, Tabriz Branch, Islamic Azad university, Tabriz, Iran.
چکیده English

The aim of this research is to localize the range of influence of macroeconomic variables on the Tehran Stock Exchange market in order to predict the trends of stock price movement and the range of influence of macroeconomic indicators on the stock market, different industry groups and especially for each symbol. In this research, using the cellular automata algorithm, the variables of oil price, gold price, inflation rate, exchange rate, industrial production index and liquidity volume have been calibrated. The analyzed data as the statistical population are the transactions carried out in the Tehran Stock Exchange during the five- year period from 22/07/2016 to and 23/07/2021the information of economic indicators published on the website of Central Bank. It shows the stock market for 31, 26, 54, 32, 73 and 69 days respectively

کلیدواژه‌ها English

Cellular automata
calibration
macroeconomic variables
stock price

  •  * ابراهیم پور, احمد; احمدپور, مجتبی (1390). بررسی اثر شاخص‌های اصلی مالی و اقتصادی بر سودآوری (شرکت‌های پذیرفته شده در بورس اوراق بهادار تهران ). بررسی‌های حسابداری و حسابرسی, 4, 1-14. doi:10.22059/acctgrev.2013.25032

    • ابراهیمی, مهرزاد (1398). بررسی تاثیر متغیرهای کلان اقتصادی بر بازار سهام ایران با استفاده از الگوریتم های داده کاوی. فصلنامه اقتصاد مالی, 309-283.
    • پایتختی اسکویی, سیدعلی; احسان, شافعی (1393). بررسی تأثیر نوسانات قیمت نفت بر تغییرات شاخص قیمت سهام در ایران. فصلنامه مطالعات اقتصاد انرژی, 43, 205-229.
    • ترابی, تقی; ترابی, هومن (1390). اثرات متغیرهای کلان اقتصادی بر شاخصهای بازدهی بورس اوراق بهادار تهران. فصلنامه مدلسازی اقتصادی, 1(11), 121-144.
    • دلخوش, محمد (1396). بررسی رابطه نرخ تورم، نرخ ارز و نرخ سود بانکی با شفافیت سود (شرکت های پذیرفته شده در بورس اوراق بهادار تهران). 2. بازیابی از https://elmnet.ir/article/1997584-76197
    • رهنمای رودپشتی, فریدون; تاجمیرریاحی, حامد (1393). مدل‌سازی تأثیر تورش‌های رفتاری بر رکود بازار سرمایه براساس رویکرد تفسیری– ساختاری (ISM). مجله مهندسی مالی و مدیریت اوراق بهادار, 5, 111-130.
    • رهنمای رودپشتی،, فریدون; و دیگران(1402). اولویت بندی عوامل سنجش حباب قیمتی سهام با رویکرد رفتاری. دانش سرمایه‌گذاری, 419-444.
    • فدایی نژاد, محمداسماعیل; فراهانی, رضا (1396). اثرات متغیرهای کلان اقتصادی بر شاخص کل بورس اوراق بهادار تهران. فصلنامه اقتصاد مالی, 1-25.
    • محسنی, حسین; صادقی شاهدانی, مهدی (1397). سرریزی و انتقالات نوسان قیمت سکه طلا بر بازار سرمایه. فصلنامـه اقتصاد مالی, 103-121.
    • , J. P. (2015). Predicting stock and stock price index movement using Trend Deterministic Data Preparation and Machine Learning Techniques. Expert system with application, 42, 259-268.
    • Alamgir, F., & Amin, S. B. (2021). The nexus between oil price and stock market: Evidence from South Asia. Energy Reports, 693-703. doi:https://doi.org/10.1016/j.egyr.2021.01.027
    • António Silva NH, N. R. (2015). A hybrid approach to portfolio composition based on fundamental and technical indicators. Expert Syst Appl , 42(4), 2036–2048.
    • Arabsalehi, M., Beedel, M., & Moradi, A. (2020). Economic Performance and Stock market liquidity: Evidence from Iranian Listed Companies. International Journal of Economy, Management and Social Sciences. بازیابی از https://www.researchgate.net/publication/345386424
    • Chan Ching Siang, P. R. (2023). A study on the effect of macroeconomic factors on stock market performance in Malaysia., (ص. 389). doi:https://doi.org/10.1051/e3sconf/202338909037
    • Chang EJ, L. E. (2004). Testing for Predictability in Emerging Equity Markets. Emerg Mark Rev , 5(3), 295–316.
    • Cheriyan, N. K., & Lazar, D. (2019). Relationship between Liquidity, Volatility and Trading Activity: An Intraday Analysis of Indian Stock Market. International Journal of Economics and Financial, 17-22. doi:10.32479/ijefi.7268
    • D’Alotto, L. (2015). A classification of one-dimensional cellular automata using. Applied Mathematics and Computation, 255, 15-24. بازیابی از journal homepage: www.elsevier.com/ locate/amc
    • Daning Hu, G. S. (2015, June). Systemic risk management and investment analysis with financial network analytics: research opportunities and challenges. Financial Innovation, 2. doi:10.1186/s40854-015-0001-x
    • De Oliveira, F. A. (2013). Applying artificial neural networks to prediction of stock price and improvement of the directional prediction index – Case study of PETR4, Petrobras, Brazil. Expert Systems with Applications, 40, 7.
    • Eldomiaty, T., Saeed, Y., & Salma, R. H. (2020). The associations between stock prices, inflation rates, interest rates are still persistent: Empirical evidence from stock duration model. Journal of Economics, Finance and Administrative Science.
    • Fama, E. F. (1970). Efficient Capital Markets: A Review of Theory and Empirical Work. The Journal of Finance, 383-417. doi:https://doi.org/10.2307/2325486
    • Qiu, D. Kandhai, and P. M. A. Sloot. (2007). Understanding the complex dynamics of stock markets through cellular automata. PHYSICAL REVIEW, 75. doi:10.1103/PhysRevE.75.046116
    • Jörg Gottschlich1, O. H. (2014). A Decision Support System for Stock Investment Recommendations using Collective Wisdom. elsevier, 59, 52-62. doi:10.1016/j.dss.2013.10.005
    • Korhan Gokmenoglu, B. M. (2021, 2 1). Exchange rates and stock markets in emerging economies: new evidence using the Quantile-on-Quantile approach. Quantitative Finance and Economics, 5, 94-110. doi:10.3934/QFE.2021005
    • Leonardo Iania, R. C. (2023, 2 27). The Impact of Uncertainty in Macroeconomic Variables on Stock Returns in the USA. Risk and Financial Management, 16, 189. doi:https://doi.org/10.3390/jrfm16030189
    • Najafi, H. (2019). اثر تورم و نوسانات قیمت ارز بر قیمت سهام در بورس اوراق بهادار. همایش ملی اقتصاد،مدیریت توسعه و کارآفرینی با رویکرد حمایت از کالای ایرانی. بازیابی از https://www.researchgate.net/publication/339600413_athr_twrm_w_nwsanat_qymt_arz_br_qymt_sham_dr_bwrs_awraq_bhadar?enrichId=rgreq-f9007342e166f4d040c4047313b30209-XXX&enrichSource=Y292ZXJQYWdlOzMzOTYwMDQxMztBUzo4OTY1MDExNjExNjA3MDlAMTU5MDc1Mzk0MTg1NA%3D%3D
    • Sahu, T. N., & Bandopadhyay, K. (2020). RELATIONSHIP BETWEEN INDUSTRIAL PRODUCTION AND STOCK MARKET: EVIDENCE FROM INDIA. Business Paradigm in Emerging Market.
    • Silva IND, S. D. (2017). Forecast of stock market trends using recurrent networks. In: da Silva IN, Spatti DH, Flauzino RA, Liboni LHB, Alves SFR . Artificial Neural Networks , Springer International Publishing, pp 221–227.
    • Sreenu, N. (2023). Effect of Exchange Rate volatility and inflation on stock market returns Dynamics ‑ evidence from India. J Syst Assur Eng Manag. doi:https://doi.org/10.1007/s13198-023-01914-3
    • Syahri, A., & Robiyanto, R. (2020). The correlation of gold, exchange rate, and stock market on Covid-19 pandemic period. Jurnal Keuangan dan Perbankan. doi:10.26905/jkdp.v24i3.4621
    • Xiong R, N. E. (16 Feb 2016). Deep learning stock volatility with google domestic trends. Computational Finance, 1512.04916v3 [q-fin.CP] .
    • Zhai Y., H. A. (2007). Combining News and Technical Indicators in Daily Stock Price Trends Prediction. Advances in Neural Networks – ISNN - Berlin, Heidelberg.