به گزارش می متالز، در سالهای اخیر حجم معاملات و شرکتهای پذیرفتهشده در بورس اوراق بهادار تهران از افزایش چشمگیری برخوردار بوده است و به تناسب افراد بسیاری با بازار سرمایه درگیر شده و بورس توانسته است جایگاه خود را در اقتصاد کشور ارتقا دهد و شاخص کل و پیشبینی روند آن امروزه از اهمیت بسیار بالایی نسبت به گذشته برخوردار شده است. پیشبینی شاخص بورس همواره مورد توجه بسیاری از سهامداران و تحلیلگران بوده است. طبیعی است که بازده حاصل از سرمایهگذاریها در کنار ریسک سرمایهگذاری از اصلیترین و تعیینکنندهترین عوامل برای جهتدهی جریان سرمایه به بازارهای مختلف است. اغلب بازدهی که مدنظر سرمایهگذاران بوده و به تصمیمهای سرمایهگذاری آنها جهت میدهد، بازده مورد انتظار است نه بازده تاریخی.
از این رو پیشبینی دقیق شاخص کل برای سرمایهگذاران بالقوه، سهامداران، دولت، تحلیلگران و کلیه نهادهای مالی و سایر مشارکتکنندگان حائز اهمیت است. همچنین به خاطر معروف بودن شاخص کل هر کشور به دماسنج اقتصادی آن کشور، بازده بازار سرمایه و پیشبینی آینده آن، علاوه بر سرمایهگذاران در کانون توجه سیاستگذاران اقتصادی هر کشوری نیز هست.
پیشبینی شاخص کل از پیچیدگی و عدم اطمینان بالایی برخوردار است و از پیچیدهترین و سختترین پیشبینیها در حوزه پیشبینی بازده آتی است. به باور بسیاری از اقتصاددانان همچون فریدمن آنچه از یک نظریه اقتصادی انتظار میرود، انجام پیشبینیهای درست و نزدیک به واقعیت است. همانطور که میدانید مسائل سیاسی و اقتصادی تاثیر زیادی بر بازارهای مالی به خصوص بورس دارد و چون نمیتوان بهصورت مستقل به این بازار نگاه کرد این موضوع پیشبینی روند شاخص را سخت میکند. دنیای امروز یک دنیای تصادفی است و همه چیز با احتمال رخ میدهد و چیز قطعی نداریم. همواره دغدغه اصلی پژوهشگران، تلاش برای یافتن مدلهایی بوده است، که بتوانند بازده را سادهتر و دقیقتر پیشبینی کنند. از آنجا که هدف این مقاله ارائه مدلی مناسب برای پیشبینی شاخص کل و بازده بازار بورس اوراق بهادار تهران بهعنوان بازار سرمایه ایران است، میتواند دیدگاه خوبی به سرمایهگذاران، تحلیلگران و سیاستگذاران اقتصادی ارائه کند. در این مقاله با استفاده از مدل آریما (الگوهای خانواده آرچ و گارچ) به مدلسازی و پیشبینی شاخص کل بورس اوراق بهادار تهران پرداخته شده است با این هدف، پس از جمعآوری اطلاعات اولیه در زمینه شاخص کل که بهصورت ماهانه موجود است، به تجزیه و تحلیل اطلاعات پرداخته تا مفروضات مورد نیاز برای مدلسازی با استفاده از روش آریما فراهم شود. لذا در این پژوهش شاخص کل بورس تهران با استفاده از مدل آریما تخمین زده خواهد شد تا به سرمایهگذاران یک دید کلی درخصوص ماههای پیش رو برای تدوین استراتژیهای بهینه سرمایهگذاری ارائه کند. در این مقاله با استفاده از دادههای ماهانه شاخص کل بورس اوراق بهادار تهران در دوره زمانی ۱/ ۱/ ۱۳۷۰ تا ۳۰/ ۰۹/ ۱۳۹۹، نسبت به پیشبینی شاخص کل تا پایان تیرماه ۱۴۰۰ با مدل ARIMA خواهیم پرداخت. مدل ARIMA یک مدل خطی برای سریهای زمانی ایستا محسوب میشود. این مدل پیشبینی بر اساس مشاهدات گذشته و خطاهای پیشبینیهای گذشته صورت میپذیرد. در این مدل فرض میشود که فرآیند تولید دادههای سری زمانی مبتنی بر یک الگوی خطی است و نحوه مدلسازی آن توسط باکس و جنکینز مطرح شد. باکس و جنکینز (۱۹۷۶) اولین کسانی بودند که روشی سیستماتیک را برای یافتن بهترین مدل ARIMA ارائه کردند. روش ارائه شده توسط آنها الگوریتمی سهمرحلهای شامل تشخیص،تخمین و بازبینی مدل است که در نهایت مدل بهینه میتواند برای پیشبینی مورد استفاده قرار گیرد. پس از استخراج نتایج آریما به منظور ارزیابی مدل اصلی مقادیر برآورد شده را با مقدار واقعی در فاصله زمانی ۱۳۷۰ تا پایان آذر ۱۳۹۹ مقایسه میکنیم که به صورت زیر نشان داده میشود. در این شکل، مدل مورد نظر با دقت بالایی قادر به مدلسازی نرخ بازدهی بورس اوراق بهادار تهران است. در نمودار زیر متغیر RP نرخ بازدهی واقعی و متغیر RPF بازدهی تخمینی است.
هر چه مقادیر تخمین زده شده توسط مدل به مقادیر واقعی نزدیکتر باشد، بیانگر تناسب و برازش بهتر تخمین با واقعیت است. برای ارزیابی و بازبینی مدلهای بالقوه، از معیارهای اطلاعاتی آکایکه، شوارتز و حنان-کوئین استفاده میشود.
حال شاخص کل را در تیرماه 1400 برآورد میکنیم که نتایج آن در جدول زیر ارائه شده است:
بر اساس نتایج مدل فوق شاخص کل بورس اوراق بهادار تهران به احتمال زیاد قادر به عبور از سقف قبلی خود تا پایان تیر ماه 1400 نیست. از طرف دیگر افت شاخص بورس از مقادیر فعلی تا تیرماه بعید بهنظر میرسد. در پایان تاکید میشود در برآورد و تخمین سریهای زمانی، شوکهای اقتصادی، سیاسی، اجتماعی و فرهنگی زیادی رخ میدهد که میتواند نتایج دیگری به ارمغان آورد بنابراین هر پیشبینی و تحلیلی که از سوی هر فرد یا سازمانی تهیه میشود باید با احتیاط با آن برخورد کرد.