مقاله درمورد بورس اوراق بهادار، بورس اوراق بهادار تهران، شاخص قیمت، بورس تهران

دانلود پایان نامه ارشد

معینی را در یک دوره بررسی نمود.

2-2-11: فواید شاخص
در یک نظام اقتصادی کارا می بایست اطلاعات مفید و هر چند مختصر و قابل اعتماد از کل حرکت بازار در اختیار سرمایه گذاران قرار بگیرد. از روی اعداد شاخص تغییرات احتمالی در آینده را می توان پیش بینی کرد.
شاخص ها ابزاری برای مقایسه کردن تغییرات یک پدیده در دو زمان متفاوت هستند و می توان تغییرات گروهی چند پدیده را با هم مقایسه نمود. با شاخص، قیمت های صنایع مختلف را با یکدیگر مقایسه کرد.
هر شاخصی محتوای اطلاعاتی از حوزه های مختلف و وسیع می باشد و لذا می تواند بازتاب خوبی از شرایط اقتصادی آن حوزه باشد و می توان از آن به عنوان نمادی برای پیش بینی عملکرد فعالیت های اقتصادی در آینده استفاده نمود.

2-2-12: شاخص قیمت بورس تهران
شاخص قیمت سهام در بورس تهران از سال 1369 محاسبه شد و با نام اختصاری TEPIX که معرف TEhran Price IndeX میباشد، که از همان سال در سطح بین المللی شناخته شد. این شاخص در آن زمان شامل 52 شرکت بود که کل تعداد شرکت های پذیرفته شده در بورس در آن زمان بود.
این شاخص در واقع با استفاده از فرمول لاسپیز محاسبه می گردد و فرمول آن به این صورت می باشد که بر اساس ارزش جاری سهام منتشره محاسبه می شود و بر این اساس روند تغییرات ارزش جاری سهام را نشان می دهد:
(2-1) * Base Value Tepix = (∑_(i=1)^n▒〖P_(it ) Q_it 〗)/(∑_(i=1)^n▒〖P_i0 Q_i0 〗)
که در آن:
t زمان محاسبه شاخص
p_it قیمت سهام i ام در زمانt
p_i0 قیمت سهام i ام در زمان پایه
〖 Q〗_itتعداد سهام منتشره شرکت i ام در زمان t
Q_i0 تعداد سهام منتشره شرکت i ام در زمان پایه
Base Value عدد مبنا که مقدار آن 100 می باشد.
به عبارت دیگر فرمول محاسبه شاخص قیمت تپیکس بصورت زیر می باشد:
(2-2) 100 * TEPIX = (شده پذیرفته شرکتهای منتشره سهام جاری ارزش)/(شده پذیرفته شرکتهای منتشره سهام پایه ارزش )
تاریخ مبنا اول فروردین 1369 در نظر گرفته شده است. همانطور که مشاهده می کنیم صورت کسر همان ارزش بازار در زمان جاری می باشد. این نکته را باید در نظر داشته باشیم که در زمان t_0 یعنی تاریخ مبنا عملا Q_it=Q_i0 می باشد و در زمان پایه با استفاده از فرمول لاسپیرز به محاسبه شاخص می پردازیم، ولی با مرور زمان بر اثر تغییراتی نظیر افزایش سرمایه از محل اندوخته ها و یا تقسیم شدن یک سهام بزرگ به یک یا چند سهام کوچکتر و یا بالعکس که تعداد سهام را تغییر می دهند ولی عملا نباید در شاخص تغییری رخ دهد و به این علت ها ممکن است که مقدار کسر تغییر یابد و در واقع به گونه ای در آن تعدیل ایجاد می کنند تا در اثر عواملی مثل عوامل ذکر شده در بالا شاخص تغییر نکند.

2-2-13: ویژگی های TEPIX
1- جامعیت
از ویژگیهای بسیار بارز و ارزشمند این شاخص قیمت، جامعیت آن می باشد، زیرا این شاخص بر اساس تمامی سهام های پذیرفته شده در بورس اوراق بهادار تهران می باشد و بنابراین می تواند نماینده خوبی از وضعیت بازار بورس تهران باشد و در حد خوبی می تواند حرکت بازار را نشان دهد.
2- موزون بودن
دومین ویژگی مهم این شاخص موزون بودن آن میباشد. همانطور که در محاسبه این شاخص دیده شد، در این فرمول وزن دهی بر اساس مقدار هر سهام می باشد، یعنی سهامی دارای تاثیر بیشتری در اندازه شاخص دارد که اندازه ارزش بازار آن سهام یعنی حاصلضرب تعداد آن سهام در قیمت آن سهام، بیشتر باشد.
3- در دسترس بودن
سومین مشخصه این شاخص در دسترس بودن آن است، زیرا با گسترش نر افزار های موجود در بازار سرمایه و به روزرسانی آنها امکان محاسبه لحظه ای این شاخص میسر شده است و در معرض دید قرار میگیرد.

2-2-14: شاخص های فرعی در بورس اوراق بهادار تهران
تا اینجا شاخص کل بازار بورس را تحت عنوان TEPIX را معرفی کردیم، همانطور که گفته شد این شاخص همه شرکت های پذیرفته شده در بورس را در برمی گیرد، به همین دلیل این شاخص بسیار جامع می باشد و می تواند نماینده خوبی از وضعیت موجود بازار باشد، این شاخص می تواند به اقتصاددان ها در تحلیل اوضاع موجود اقتصادی کشور و بررسی آن کمک کند و در کل می تواند در اکثریت مواقع جهت گیری بازار را نشان دهد.
ولی با یک شاخص کلی مثل TEPIX امکان بررسی و تحلیل و ارزیابی بخش های مختلف بازار وجود ندارد، یعنی ما با این شاخص نمی توانیم به بررسی بخش های جزئیتری و کوچک تر بازار بپردازیم، از اینرو شاخص های اختصاصی و جزئیتری ایجاد شده است که کمک میکند تا سرمایه گذاران بتوانند در بخشهایی که مایلند سرمایه گذاری کنند با اطلاعات دقیقتری در آن بخش سرمایه گذاری کنند. این شاخص ها عبارتند از:

2-2-14-1: شاخص صنایع
این شاخص دربرگیرنده شرکت های صنعتی است و از نظر محاسبه همانندTEPIX محاسبه می شود، فقط تعداد شرکت های آن محدود شده است. سرمایه گذارانی که میخواهند در شرکت های صنعتی سرمایه گذاری کنند، بهتر است که با توجه به شاخص های این گروه به تصمیم گیری بپردازند.

2-2-14-2: شاخص شرکت
شاخص شرکت به تفکیک برای هر شرکت پذیرفته شده محاسبه و مبنای محاسباتی همانند روشی است که در محاسبه شاخص صنایع و کل بکار می رود، شاخص شرکتهای جدید در بدو پذیرش 100 تعیین شده تا امکان بررسی تغییرات آنها فراهم باشد.

2-2-14-3: شاخص 50 شرکت با بیشترین ارزش
سازمان بورس اوراق بهادار تهران هر سه ماه یکبار 50 شرکت با بیشترین ارزش جاری را انتخاب کرده، این شرکت ها سهم بیشتر بازار را در اختیار دارند و در واقع از مزایای این شاخص این است که اثرات منفی شرکت های کوچک در شاخص جلوگیری می کند.
در پایان هر سه ماه این شرکت ها مورد بررسی قرار گرفته و در صورت لزوم از این لیست حذف و شرکت های جدید به آن اضافه می شود.

2-3: پیشینه تحقیق
مطالعات صورت گرفته را مي توان به دو دسته تقسيم كرد: دسته نخست مطالعاتي كه در زمينه كارايي يا عدم عدم كارايي بازار بورس صورت گرفته، دسته دوم مطالعاتي كه به مقايسه روشهاي هوشمند با روشهاي كلاسيك مي پردازند. تقريبا تمامي مطالعات انجام شده در زمينه كارايي بازار حاكي از عملكرد بهتر روشهاي هوشمند نسبت به روشهاي خطي مي باشند. در اين بخش به بررسي مطالعات داخلي و خارجي صورت گرفته در زمينه پيش بيني قيمت سهام مي پردازيم.
2-3-1: مطالعات داخلي
حسن زاده (1388) در پايان نامه كارشناسي ارشد خود براي پيش بيني قيمت سهام شركت هاي شهد ايران، چادرملو، سايپا، اقتصاد نوين و پتروشيمي آبادان از برنامه ريزي ژنتيك استفاده نمود. ابتدا با استفاده از آماره η متريك پيش بيني پذيري هر يك از شركت هاي مزبور محاسبه شد و سپس با استفاده از برنامه ريزي ژنتيك مدل سازي پيش بيني قيمت صورت پذيرفت. نتايج با نتايج بدست آمده از مدل FARIMA-FIGARCH مقايسه گرديد. نتايج تحقيق بيانگر كمتر بودن ميانگين خطاي پيش بيني مدل FARIMA-FIGARCH از مدل برنامه ريزي ژنتيك بود.
آذر و افسر (1385) در تحقيق خود مدل شبكههاي عصبي فازي پيش بيني قيمت سهام را طراحي كرده و از لحاظ شش معيار ارزيابي عملكرد با روش ARIMA مقايسه نمودند. نتايج اين تحقيق بيانگر اين حقيقت است كه شبكه هاي عصبي فازي در تمامي شش معيار ارزيابي عملكرد بر روش ARIMA برتري داشته است و داراي ويژگيهاي منحصر به فرد همگرايي سريع، دقت بالا و توانايي تقريب تابع قوي هستند و براي پيش بيني شاخص قيمت سهام مناسب مي باشند.
ابوئي مهريزي (1385) پيش بيني قيمت سهام را با استفاده از شبكه هاي عصبي-فازي (ANFIS) انجام داده است. در پيش بيني بلند مدت پس از انجام محاسبات 18 مدل به دست آمد كه از بين آنها مدل TRIMF به عنوان مدل بهينه انتخاب شد. در مدل پيش بيني كوتاه مدت براي هر دوره 6 مدل طراحي شد كه با توجه به سطح خطا مدل TRIMF براي سه ماههي اول، مدل TRAPMFبراي سه ماههي دوم، مدل GAUSSZMF براي سه ماههي سوم و مدل TRAPMFبراي سه ماههي چهارم به عنوان مدل بهينه انتخاب شدند.
عطري نژاد (1385) در پايان نامه كارشناسي ارشد خود پيش بيني روند تغييرات در بازار بورس را با استفاده از سري زماني گارچ انجام داده است. نتايج اين مدل بر روي پنج سهم كالسيمين، ملي سرب و روي ايران، نيرو ترانس، معدني املاح ايران و آهنگري تراكتورسازي مورد بحث قرار گرفته است.
مهدوي و بهمنش(1384) در تحقيق خود از شبكه هاي عصبي مصنوعي براي پيش بيني قيمت سهام شركت سرمايه گذاري البرز استفاده نمودند. نتيجه حاصل از مدل طراحي شده نشان مي دهد كه اگر يك شبكه عصبي مصنوعي درست آموزش ببيند مي تواند روابط بين متغيرها را (هر چند پيچيده و غيرخطي) شناسايي كرده و در پيش بيني قيمت سهام شركتهاي سرمايه گذاري با حداقل خطا (در اين تحقيق044/0) موثر واقع شود.
طالبي (1384) در پايان نامه كارشناسي ارشد خود قيمت سهام 10 روز آينده 40 شركت فعال در بورس اوراق بهادار تهران را با استفاده از 3 روش شبكه عصبي پيشخور تك لايه با الگوريتم يادگيري لونبرگ-ماركوات و معيار عملكرد ميانگين مربعات خطا با ورودي ارزش بازار، شبكه عصبي با اضافه كردن ميانگين هاي متحرك 5، 10، 20روزه و ROC و RSI 12 روزه و مدل ARMA پيش بيني نمود. نتايج بدست آمده نشان داده است كه مدل خطي ARMA بهتر از مدلهاي غير خطي شبكه هاي عصبي توانسته اند پيچيدگيهاي سري هاي زماني قيمت سهام را تجزيه و تحليل نموده و براي پيش بيني قيمت سهام مورد استفاده قرار گيرد.
عربي (1384) در مطالعهي خود به مقايسهي روش شبكهي عصبي با روش ARIMA در پيش بيني قيمت سهام شركت سرمايه گذاري صنايع پتروشيمي پرداخته است. نتايج حاصل از ANN و ARIMA حاكي از برتري عملكرد شبكه عصبي مصنوعي نسبت به ARIMA مي باشد.
زارع (1384) در مطالعهاي رفتار شاخص قيمت سهام را در ايران مورد بررسي قرار داده است. وي با استفاده از يك الگوي خود همبسته با وقفه توزيعي (ARDL) و بهره گيري از مدل تعالي قيمت گذاري دارايي هاي سرمايه اي (CAPM) سعي در شناخت و تبيين تاثير برخي از متغيرهاي تاثيرگذاري بر شاخص قيمت سهام بازار بورستهران طي دوره فصل سوم سال 1372 تا فصل اول سال 1382 دارد. نتايج الگوي كوتاه مدت نشان مي دهد كه متغيرهاي وقفه اول لگاريتم شاخص قيمت سهام، لگاريتم نسبت شاخص قيمت داخلي به خارجي، لگاريتم قيمت نفت و لگاريتم بهاي سكه داراي تاثير مثبت و ورودي لگاريتم نرخ ارز و لگاريتم حجم پول داراي تاثير منفي و معني داري بر روي متغير لگاريتم شاخص قيمت سهام مي باشد. نتيجه برآورد الگوي بلند مدت نشان مي دهد كه متغيرهاي لگاريتم نسبت شاخص قيمت داخلي به خارجي، لگاريتم شاخص قيمت مسكن، لگاريتم قيمت نفت و لگاريتم بهاي سكه داراي رابطه مستقيم و دو متغير لگاريتم نرخ ارز و لگاريتم حجم پول داراي رابطه عكس و معني داري با متغير لگاريتم شاخص قيمت سهام مي باشند.
هادي پور (1382) مطالعهاي جهت تعيين بهترين مدل پيش بيني قيمت سهام در گروه صنايع غذايي و آشاميدني بورس اوراق بهادار تهران انجام داده است. در اين تحقيق پيش بيني با استفاده از روش هاي سري زماني تخمين روند، هموارسازي نمايي و ميانگين متحرك و باكس-جنكينز براي 4 هفته انتهايي سال 79 انجام شده است و سپس شاخص MSE روش هاي مختلف با يكديگر مقايسه شده است. اين تحقيق به اين نكته اصرار مي ورزد كه مدل مشخصي براي پيش بيني قيمت سهام در گروه صنايع غذايي و آشاميدني وجود ندارد و براي پيش بيني قيمت سهام هر شركت ابتدا بايد با استفاده از روند و خصوصيات آن سري زماني داده ها، مدل مناسب را با استفاده از روش شناسي مدلهاي پيش بيني انتخاب و سپس با استفاده از آن مدل به پيش بيني قيمت سهام آن شركت اقدام نمود.
عباسپور (1381) مطالعهاي جهت پيش بيني قيمت سهام شركت ايران خودرو در بازار بورس تهران با استفاده از شبكه عصبي مصنوعي انجام داده است. دادههايي كه در اين مطالعه مورد استفاده قرار گرفته به صورت روزانه بوده و دوره زماني 80-1379 را شامل مي شود. متغيرهاي موثر بر قيمت سهام شركت ايران خودرو شامل نرخ ارز، قيمت نفت، نسبت P/E و حجم مبادلات سهام مي باشد. نتايج اين تحقيق نشان از برتري نتايج حاصل از پيش

پایان نامه
Previous Entries مقاله درمورد بورس اوراق بهادار، بورس تهران، بازار اوراق بهادار، بورس اوراق بهادار تهران Next Entries مقاله درمورد قیمت سهام، شبکه عصبی، شاخص قیمت، الگوریتم ژنتیک