بررسی عوامل تأثیرگذار در بروز حباب قیمت در بورس اوراق بهادار تهران

بررسی عوامل تأثیرگذار در بروز حباب قیمت در بورس اوراق بهادار تهران

نویسندگان

سازمان بورس

چکیده

این مقاله به بررسی حباب قیمت در شرکت های پذیرفته شده در بورس اوراق بهادار تهران پرداخته است. ابتدا از طریق آزمونهای تسلسل، چولگی، کشیدگی و وابستگی دیرش مشخص گردید که در بورس تهران طی دورة زمانی 1383 تا 1388 حباب قیمت رخ داده است. سپس با انجام آزمون‌های حباب قیمت، تمامی شرکتهایی که در قلمرو زمانی مذکور از رشد و سقوط شدید قیمتی در بورس برخوردار بوده به دو گروه شرکتهای بدون حباب و حباب قیمتی تقسیم شدند. برای پیش‌بینی حباب از متغیرهای درونزای شرکتها از قبیل: اندازة شرکت، ترکیب سهامداری، نسبت P/E ، شفافیت اطلاعات و سرعت نقدشوندگی استفاده گردید. سپس با استفاده از روش رگرسیون لوجیت باینری و شبکة عصبی مصنوعی مدلی برای پیش‌بینی حباب قیمت طراحی گردید. در برازش مدل از دادههای شش ماه قبل از بروزحباب (شتاب قیمت) استفاده گردید. آزمون فرضیه‌های تحقیق نشان داد بین تمامی متغیرهای مستقل انتخاب شده و حباب قیمت رابطة معنی‌داری وجود دارد و مدل شبکة عصبی به دلیل خطای کمتر در پیش‌بینی به عنوان مدل دقیق‌تر شناسایی گردید.

کلیدواژه‌ها


عنوان مقاله [English]

Factors Affects Price Bubbles in Tehran Stock Exchange

نویسندگان [English]

  • azim zare
  • mirfeiz falahshams
چکیده [English]

In this article, we attempt to investigate the factors than effect on price bubbles in Tehran Stock Exchange (TSE) listed companies. First, through runs test, skeweness, kurtosis, and duration dependence test the incidence of bubbles in Tehran Stock Exchange during the years 2004 to 2009 at 95% confidence level were studied. Then all companies that have had severe price volatility have been selected as examples. Totally, a number of 246 companies qualified for the study were selected. And then, by price bubble tests, all companies were divided in two groups, with and without bubbles. To predict bubbles, based on theoretical frameworks, we used indigenous variables such as size of company, P/E ratio, information transparency, stockholder combination, and liquidity rate as independent variables. Then, login binary regression and artificial neural networks (ANN) were used to model and predict bubbles.
Data pertaining to a six-month period prior to formation of bubbles (price acceleration) were employed to fit the model. the results suggested significant relationships between all independent variables and price bubbles. ANN model was identified as a better predictor due to smaller error.

کلیدواژه‌ها [English]

  • Company Size
  • Free Float
  • Information Transparency
  • Liquidity
  • price bubble