اندازه گیری Volatility


بازار با اوج Chalak Volatility - فروش وحشتناک در حال سقوط است

مقایسه مدل تلاطم تصادفی کانونی و MSGJR-GARCH در اندازه گیری تلاطم بازده سهام و محاسبه ارزش در معرض ریسک

مجله چشم انداز مدیریت مالی ، دوره: 10 ، شماره: 32

خرید و دانلود فایل مقاله

با استفاده از پرداخت اینترنتی بسیار سریع و ساده می توانید اصل این مقاله را که دارای 28 صفحه است به صورت فایل PDF در اختیار داشته باشید.

مشخصات نویسندگان مقاله مقایسه مدل تلاطم تصادفی کانونی و MSGJR-GARCH در اندازه گیری تلاطم بازده سهام و محاسبه ارزش در معرض ریسک

چکیده مقاله :

یکی از مهمترین چالش ها در بررسی رفتار سرمایه گذاران در بازارهای مالی اندازه گیری تلاطم دارایی های مالی است. علت این موضوع آن است که تلاطم بازده سهام یک متغیر غیرقابل مشاهده می باشد. دو رویکرد اساسی برای مدل سازی تلاطم در اقتصاد مالی وجود دارد که تفاوت آنها در ساختار احتمالاتی آنهاست. در رویکرد اول تلاطم با استفاده از شوک های وارد آمده بر بازده سهام مدل سازی می شود و در رویکرد دوم تلاطم براساس یک فرآیند تصادفی که می تواند مستقل از دینامیک بازده سهام در طول زمان باشد تحول یابد. مدل های ارائه شده در رویکرد اول کلاس GARCH و در رویکرد دوم کلاس تلاطم تصادفی و تغییر وضعیت مارکفی را تشکیل می دهند. با وجود برتری ساختار احتمالاتی این دسته از مدل ها محاسبه پارامترهای مدل و پیش بینی تلاطم بسیار پیچیده می باشد که استفاده از روش های بیزی و شبیه سازی MCMC را ناگزیر می سازد. نتایج این پژوهش حاکی از این است که در بازه زمانی پژوهش، وجود اثر اهرمی با استفاده از الگوی CSV در بازار سهام تهران تایید نمی شود و روش MSGJR-GARCH با توزیع t در پیش بینی تلاطم بازده پنجاه شرکت فعال بورس اوراق بهادار براساس معیار انحراف اطلاعاتی بیزی کاراتر عمل می کند. در نهایت برمبنای مدل کاراتر ارزش در معرض ریسک هفت روز اول خارج از داده ها محاسبه گردید.

کلیدواژه ها:

کد مقاله /لینک ثابت به این مقاله

کد یکتای اختصاصی (COI) این مقاله در پایگاه سیویلیکا JR_FINANC-10-32_006 میباشد و برای لینک دهی به این مقاله می توانید از لینک زیر استفاده نمایید. این لینک همیشه ثابت است و به عنوان سند ثبت مقاله در مرجع سیویلیکا مورد استفاده قرار میگیرد:

نحوه استناد به مقاله :

در صورتی که می خواهید در اثر پژوهشی خود به این مقاله ارجاع دهید، به سادگی می توانید از عبارت زیر در بخش منابع و مراجع استفاده نمایید:

فرهادیان، علی و رستمی، مجتبی و نیلچی، مسلم،1399،مقایسه مدل تلاطم تصادفی کانونی و MSGJR-GARCH در اندازه گیری تلاطم بازده سهام و محاسبه ارزش در معرض ریسک،https://civilica.com/doc/1268950


در داخل متن نیز هر جا که به عبارت و یا دستاوردی از این مقاله اشاره شود پس از ذکر مطلب، در داخل پارانتز، مشخصات زیر نوشته می شود.
برای بار اول: ( 1399، فرهادیان، علی؛ مجتبی رستمی و مسلم نیلچی )
برای بار دوم به بعد: ( 1399، فرهادیان؛ رستمی و نیلچی )
برای آشنایی کامل با نحوه مرجع نویسی لطفا بخش راهنمای سیویلیکا (مرجع دهی) را ملاحظه نمایید.

مراجع و منابع این مقاله :

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :

  • ۱.Andersen, T. G., & Benzoni, L. (۲۰۰۹). Realized volatility. In .
  • ۲.Ardia, D., & Hoogerheide, L. F. (۲۰۱۰). Bayesian Estimation of .
  • ۳.Ari, Y. & Papadopoulos, S. A. (۲۰۱۶). Bayesian Estimation of .
  • ۵.Ausin MC, Galeano P (۲۰۰۷). "Bayesian Estimation of the Gaussian .
  • ۶.Baghjari, M., Nilchi, M., Rasoolian, A. (۲۰۱۶). Examining the Return .
  • ۷.Baillie, R.T., Bollerslev, T. and Mikkelsen, H.O. (۱۹۹۶). Fractionally Integrated .
  • ۸.Bernardo, J. M., & Smith, A. F. M. (۲۰۰۰). Bayesian .
  • ۹.Bodie, Z., Kane, A., & Marcus, A. J. (۲۰۱۸). Investments .
  • ۱۲.Broto, C., Ruiz, E. (۲۰۰۴). Estimation methods for stochastic volatility .
  • ۱۳.Bühlmann, P. and McNeil, A. J. (۲۰۰۲). An Algorithm for .
  • ۱۵.Chou, R.Y. (۱۹۸۸). Volatility Persistence and Stock Valuations: Some Empirical .
  • ۱۶.Danielsson, J. (۲۰۱۱). Financial risk forecasting: the theory and practice .
  • ۱۸.Engle, R. (۱۹۸۲) Autoregressive conditional heteroscedasticity with estimates of the .
  • ۲۱.Engle, R.F., Ng, V.K. and Rothschild, M. (۱۹۹۰). Asset Pricing .
  • ۲۲.Fama, E.F. (۱۹۶۵). The Behavior of Stock-Market Prices, Journal of .
  • ۲۳.Geweke, J. (۱۹۸۹), "Bayesian Inference in Econometric Models Using Monte .
  • ۲۴.Glosten LR, Jaganathan R, Runkle DE (۱۹۹۳). On the Relation .
  • ۲۵.Hoeting, J. A., Madigan, D., Raftery, A. E., & Volinsky, .
  • ۲۶.Hull, J., and White, A. (۱۹۸۷). The pricing of options .
  • ۲۷.Jacquier, E., Polson, N., and Rossi, P. (۲۰۰۴). Bayesian analysis .
  • ۲۸.Jeffreys, H. (۱۹۳۹). Theory of Probability. Oxford: Oxford University Press .
  • ۲۹.Kim, S., N. Shephard, and S. Chib (۱۹۹۸). Stochastic volatility: .
  • ۳۰.Li, Y., Zeng, T., & Yu, J. (۲۰۱۴). A new .
  • ۳۱.Lopez, J.A. (۲۰۰۱) Evaluating the predictive accuracy of volatility models, .
  • ۳۲.Malkiel, B. G. (۲۰۰۳). The efficient market hypothesis and its .
  • ۳۳.Mandelbrot, B. (۱۹۶۳). The Variation of Certain Speculative Prices, Journal .
  • ۳۴.Marcucci, J. (۲۰۰۵). Forecasting Stock Market Volatility with Regime-Switching GARCH .
  • ۳۵.Melino, Angelo and Stuart Turnbull, ۱۹۸۹, Pricing foreign currency options .
  • ۳۷.Pesaran, M. H. (۲۰۱۵). Time series and panel data econometrics. .
  • ۳۸.Rostami M, Makiyan S N. (۲۰۲۰). Modeling Stock Return Volatility .
  • ۴۰.Schwert, G.W. (۱۹۸۹). Why Does Stock Market Volatility Change Over .
  • ۴۱.Sims, C.A. (۱۹۸۸), Bayesian Skepticism on Unit Root Econometrics, Journal .
  • ۴۲.Stock, J. H. (۱۹۹۱). Bayesian Approaches to the Unit Root' .
  • ۴۳.Taylor, J.W. (۲۰۰۴) Volatility forecasting with smooth transition exponential smoothing, .
  • ۴۴.Taylor, S.J (۱۹۸۶). Modelling Financial Time Series. John Wiley, New .
  • ۴۵.Taylor, Stephen J., ۱۹۸۴, estimating the variances of auto correlations .
  • ۴۶.Withers, S. D. (۲۰۰۲). Quantitative Methods: Bayesian Inference, Bayesian Thinking, .
  • ۴۷.Y Omori, S Chib, N Shephard, J Nakajima (۲۰۰۷). Stochastic .
  • ۴۸.Yu, J. (۲۰۰۵). On leverage in a stochastic volatility model. .
  • ۵۰.Zellner, A. (۱۹۷۱). An Introduction to Bayesian Inference in Econometrics. .
  • ۵۱.Haas, M., Mittnik, S., & Paolella, M. S. (۲۰۰۴). A .

مدیریت اطلاعات پژوهشی

اطلاعات استنادی این مقاله را به نرم افزارهای مدیریت اطلاعات علمی و استنادی ارسال نمایید و در تحقیقات خود از آن استفاده نمایید.

بررسی و اندازه گیری واکنش سیاست گذار پولی به نوسانات بازار سهام در اقتصاد ایران

یکی از مهم‌ترین بازارهای مالی، بازار سهام است که بسیاری از محققان توسعه آن را یکی از کلیدهای دستیابی به رشد بلندمدت اقتصاد می­دانند. بی­توجهی به بازار سهام و افزایش نوسانات در این بازار به حرکت سیستم مالی کشورها آسیب می­رساند و از روش­های مختلف نظیر اثر ثروت و سرمایه­گذاری بر عملکرد و رشد اقتصادی اثر منفی می­گذارد. لذا توجه به نوسانات بازار سهام و کنترل این نوسانات جهت ایجاد جریان مالی میان بخش­های مختلف اقتصادی اهمیت ویژه­ای دارد. ازاین‌رو در این پژوهش با تمرکز بر اثر ثروت به‌منظور بررسی واکنش سیاست­گذار پولی به نوسانات بازار سهام یک الگوی تعادل عمومی پویای تصادفی در شرایط اقتصاد باز، متناسب با ساختار اقتصاد ایران طراحی گردیده است. پارامترهای الگوی ارائه‌شده با استفاده از روش بیزین [1] و با استفاده از داده­های فصلی طی دوره زمانی 1370-1394 تخمین زده‌شده‌اند. نتایج حاصل از شبیه­سازی مدل با بهره­گیری از پارامترهای برآوردی حاکی از آن است که در اثر بروز تکانه­های پولی و سهام شاخص سهام از سطح بنیادی خود منحرف می­گردد و بانک مرکزی به‌منظور جلوگیری از نوسانات بازار سهام رشد پایه پولی را کاهش می­دهد.

کلیدواژه‌ها

عنوان مقاله [English]

Investigating and measuring the monetary policy response to fluctuations of the stock market in Iran's economy

نویسندگان [English]

  • Nima Nilforoushan 1
  • Ebrahim Hadian 2
  • Ali Hussein Samadi 2
  • Parviz Rostamzadeh 3

2 Corresponding author, Associate Professor, Department of Economics, Shiraz University, Shiraz, Iran

The lack of attention to the stock market and the increase in fluctuations in this market will undermine the movement of the financial system of the countries, and will negatively affect various methods such as the effect of wealth and investment on performance and economic growth. Therefore, paying attention to stock market fluctuation and controlling these fluctuations is especially important for creating financial flows between different sectors of the economy. Therefore, in this research, in order to investigate the monetary policy response to stock market fluctuations with a focus on the effect of wealth, a dynamic stochastic general equilibrium model in open economy conditions is designed to fit the structure of Iran's economy. The parameters of the proposed model are estimated by using the Bayesian method and using quarterly data during the period of 1991-2015. The results of model simulation indicate that due to the occurrence of a shock to the monetary and stock the stock index is diverted from its fundamental level and the central bank, in order to prevent fluctuations in the stock market, decreases the monetary base growth. Also, the interest rate shock causes stock index, consumption, total output, and imports to drop. Reducing the interest rate by the central bank will cause the stock index to return to equilibrium level after 10 periods.

کلیدواژه‌ها [English]

  • Monetary policy
  • Stock market
  • Iran's economy
  • Monetary shock

مراجع

Bayat, m. Afshari, Z. & Tavakolian, H. (2016). Monetary policy and stock price index in DSGE models framework. Quarterly Journal of Economic Research and Policies, 24(78), 171-206. [In Persian]

Bashiri, S. Pahlavani, M. & Boostani, R. (2016). Stock market fluctuations and monetary policy in Iran. Journal of Economic Modeling Research, 6 (23), 103-157. [In Persian]

Botzen, W. & Marley, P. (2010). Did the ECB respond to the stock market before the crisis? Journal of Policy Modeling, 32(3), 303-322.

Castelnuovo, E. & Nisticò, S. (2010). Stock market conditions and monetary policy in a DSGE model for the U.S. Journal of Economic Dynamics and Control. 34(9), 1700-1731.

Castro, V. (2008). Are central banks following a linear or nonlinear (augmented) taylor rule? The Warwick Economics Research Paper Series 872, University of Warwick.

Dixit, A. & Stiglitz, J. (1977). Monopolistic competition and optimum product diversity. American Economic Review, 67(3), 297–308.

Faia, E. & Monacelli, T. (2007). Optimal interest rate rules, asset prices, and credit frictions. Journal of Economic Dynamics and Control, 31(10), 3228–3254.

Galí, J. & Monacelli, T. (2005). Monetary policy and exchange rate volatility in a small open economy. Review of Economic Studies, 72(252), 707–734.

Goodhart, C. & Hofmann, B. (2000). Financial variables and the conduct of monetary policy. Sveriges Riskbank Working Paper N. 12.

Komlan, F. (2012). Monetary policy, asset price and economic growth. For the Philosophiae Doctor (PhD) degree, University of Ottawa, Department of Economics Social Sciences.

Nisticò, S. (2012). Monetary policy and stock-price dynamics in a DSGE framework. Center for Studies in Economics and Finance. Working Paper No. 307.

Taghipour, A. & Esfajanian, H. (2016). Government spendingand the transmission channels of their effectson macroeconomic variables: a DSGE approach. Journal of Management System (Financial Economics and development), 10(35), 75-101. [In Persian]

چگونه نوسان ساز Chaikin Volatility on Raceoption را بخوانیم؟

چگونه نوسان ساز Chaikin Volatility on Raceoption را بخوانیم؟

نوسانات بازار یک عامل مهم در تجزیه و تحلیل رفتار قیمت های امنیتی است. این روند اغلب در زمان نوسانات بیشتر و سریعتر تغییر می کند. تغییرات قیمت ها در دوره های کم نوسان کمتر و کندتر انجام می شود. این تغییرات بر خواندن شاخص ها تأثیر می گذارد زیرا سیگنال ها ممکن است خیلی زود یا خیلی دیر برسند. به همین دلیل مهم است که عامل نوسان در محاسبات لحاظ شود. و امروز من قصد دارم نشانگر نوسان Chaikin را ارائه کنم.

اصول نوسان Chaikin

شاخص ابداع شده توسط مارک چایکین ابزاری است که با تحلیل شکاف بین قیمتهای پایین و بالا دارایی در یک زمان خاص ، نوسانات را اندازه گیری می کند. به عنوان نشانگر نوسان Chaikin (VT) شناخته می شود.

افزودن Chaikin Volatility به نمودار Raceoption

وارد حساب Raceoption خود شوید. ابزار مالی مورد نظر خود را در این جلسه انتخاب کنید. دوره نمودار را تنظیم کنید. بر روی نماد Chart Analysis و اندازه گیری Volatility سپس بر روی گروه شاخص های Volatility کلیک کنید. نوسانات Chaikin نمایش داده می شود.

البته ، شما همچنین می توانید شروع به تایپ نام نشانگر مورد نیاز در پنجره جستجو کنید.

VT در پنجره جداگانه زیر نمودار قیمت شما ظاهر می شود. این یک شکل از یک خط است که در اطراف خط 0 نوسان می کند.

چگونه نوسان ساز Chaikin Volatility on Raceoption را بخوانیم؟

نمودار GBPUSD با نوسان Chaikin

فرار Chaikin چگونه کار می کند

این شاخص میانگین متحرک نمایی تفاوت قیمتهای بالا و پایین را محاسبه می کند. سپس ، تغییر این میانگین متحرک را در طول زمان در مقدار درصد اندازه گیری می کند.

Chaikin توصیه می کند از یک میانگین متحرک 10 روزه برای بررسی نوسانات استفاده کنید.

وقتی شاخص مقادیر پایینی را نشان می دهد ، به این معنی است که قیمت های روزانه از بالا تا پایین نسبتاً ثابت است. وقتی قرائت اندیکاتور مقادیر بالایی را نشان می دهد ، قیمت های روزانه از بالا تا پایین بسیار وسیع است.

شرایطی که قیمت در نمودار قیمت ها صعود می کند و نوسانات در مدت زمان کوتاهی افزایش می یابد نشان دهنده عصبی شدن معامله گران است. وقتی صعود بازار با کاهش نوسانات در طولانی مدت همراه شود ، نشان دهنده رشد بازار گاو نر است.

چگونه نوسان ساز Chaikin Volatility on Raceoption را بخوانیم؟

کاهش نوسانات در طولانی مدت می تواند نشان دهنده ایجاد بازارهای برتر باشد

در حال حاضر ، وقتی قیمت پایین می آید و نوسانات در مدت طولانی کاهش می یابد ، نشان می دهد که معامله گران علاقه چندانی به بازار ندارند.

چگونه نوسان ساز Chaikin Volatility on Raceoption را بخوانیم؟

آخرین مرحله روند نزولی با کاهش مداوم نوسانات

هنگامی که بی ثباتی در مدت زمان کوتاهی افزایش می یابد و کف در بازار وجود دارد ، این بدان معناست که معامله گران با وحشت می فروشند.

چگونه نوسان ساز Chaikin Volatility on Raceoption را بخوانیم؟

بازار با اوج Chalak Volatility - فروش وحشتناک در حال سقوط است

نوسانات پایین و کاهش آن را می توان در طول روند صعودی قیمت ها مشاهده کرد.

در بالای روند صعودی ، قبل از معکوس شدن روند ، افزایش آهستگی می تواند رخ دهد.

نوسانات بیشتری را می توان در طول حرکت نزولی مشاهده کرد.

در نزدیکی روند نزولی ، افزایش ناپایداری کوتاه مدت مشاهده می شود.

کلمات پایانی

شاخص Chaikin Volatility نوسانات را اندازه گیری می کند. نویسنده توصیه می کند در محاسبات از میانگین متحرک 10 روزه استفاده کنید.

به حساب نسخه ی نمایشی Raceoption بروید و نحوه عملکرد Chaikin Volatility را بررسی کنید. این یک حساب تمرین رایگان است که در آن می توانید هر شاخص یا تکنیک معاملاتی جدید را بررسی کنید. این دستگاه دارای پول نقد مجازی است که می توانید هر زمان که بخواهید آن را تقویت کنید. شما حتی در صورت شکست معامله پول خود را از دست نمی دهید. قبل از انتقال به حساب واقعی ، مهارت های خود را آموزش دهید.

در زیر ، بخش نظرات را خواهید دید. نظرات خود را در مورد شاخص فرار Chaikin با ما به اشتراک بگذارید. خوشحال می شوم از زبان شما بشنوم.

پیش‌بینی افزایش نوسانات بیت کوین پس از انتخابات ریاست جمهوری ایالات متحده

پیش‌بینی افزایش نوسانات بیت کوین پس از انتخابات ریاست جمهوری ایالات متحده

گزارش های منتشر شده حاکی از آن است که در حالی که ایالات متحده برای نتایج انتخابات ریاست جمهوری سال ۲۰۲۰ آماده می شود، تعدادی از داده ها و معامله گران انتظار دارند که این هفته نوسانات قابل توجهی در قیمت ارز دیجیتال

حجم اقتصاد ارز دیجیتال در حدود ۳۸۸ میلیارد دلار می باشد که یک جهش عظیم از آخرین انتخابات ایالات متحده در سال ۲۰۱۶ است. به عنوان مثال، در رقابت ریاست جمهوری ۲۰۱۶، قیمت بیت کوین (BTC) حدود ۷۰۹ دلار بود. از آن زمان این دارایی شاهد بازگشت ۱۸۰۲ درصدی سرمایه (ROI) بوده است. مورد دیگر اتریوم (ETH) است که در سال ۲۰۱۶ با قیمت ۱۰٫۸۳ دلار در هر واحد معامله می شد ولی اکنون در سال ۲۰۲۰ با ۳۸۲ دلار مبادله می شود.

برای این انتخابات، تعدادی از معامله گران و چند نقطه از اندازه گیری نوسانات ضمنی نشان دهنده این است که فعالان بازار ارز دیجیتال انتظار دارند که در این هفته یک تغییر و تحول ایجاد شود.

داده های حاصل از “Bitcoin ATM Implicit Volatility” نشان می دهد که بازار معاملات اختیار این دارایی دیجیتال در انتظار نوسانات زیادی می باشد. فعالان بازار که دارایی های مالی سنتی را معامله می کنند، پس از انتخابات ایالات متحده یک تغییر بازاری مشابه را تصور می کنند. نمودار skew.com نشان می دهد که نوسانات ضمنی در طی یک ماه افزایش یافته است و امروز در حدود ۵۹ درصد می باشد. آمارهای سه ماهه برای نوسانات ضمنی بیت کوین جهش یافته و به ۶۲ درصد رسیده و برای دوره شش ماهه نیز به ۶۵ درصد رسیده است.

تعدادی دیگر از کارشناسان ارز دیجیتال و محققان بازار ارزهای دیجیتال نیز درباره بازار ارز دیجیتال پس از انتخابات، در کانال ها و انجمن های رسانه های اجتماعی بحث کرده اند. Arcane Research پس از به اشتراک گذاشتن گزارش بینش هفته چهل و چهارم خود، در توئیتی یک نمودار را به تصویر کشید که عملکرد بیت کوین و S&P 500 را در هفته انتخابات نشان می دهد. “در این نمودار ما شاهد برخی حرکات جالب از بیت کوین و S&P 500 در روز انتخابات سال ۲۰۱۶ هستیم. اما این بار چه اتفاقی خواهد افتاد؟”

Ty Young از Messari.io نیز درباره تبعات اقتصادی انتخابات ایالات متحده و بیت کوین بحث کرد. یانگ نوشت: ” نظرسنجی ها نشان می دهد که بایدن به احتمال ۶۰٪ پیروز انتخابات ریاست جمهوری است و حتی پتانسیل بیشتری برای موج آبی در مجلس سنا وجود دارد.” “این نتایج می تواند بسته های محرک بزرگتر، QE بیشتر و راهنمایی های واضح تری را برای سرمایه گذاران در دولت جدید رقم بزند.” وی ادامه داد:

یک چیز محتمل است: نوسانات در حال آمدن است. از نفطه نظر مثبت برای بیت کوین باید عنوان کرد که بانک های مرکزی همچنان پول و بسته های محرک را به دنیا سرازیر می کنند و زمینه را برای بیت کوین فراهم می کنند. از نقطه نظر منفی نیز یک انتخابات رقابت آمیز و موج دوم محدودیت های Covid-19 می تواند فاجعه ای برای بازارها به همراه داشته باشد و قیمت بیت کوین را کاهش دهد.

علاوه بر این، گزارش بازار هفتگی پلتفرم تحقیق و تجارت Luno در مورد انتخابات روز سه شنبه نیز بحث اندازه گیری Volatility کرد.

تحلیلگران Luno در این زمینه توضیح می دهند که “چهار سال پیش روز انتخابات پر از دست انداز بود و دلیل کمی وجود دارد که بتوانیم باور کنیم ما این انتخابات را بدون حرکات گسترده پشت سر خواهیم گذاشت.” “پس از ساعت بسته شدن در روز انتخابات، معاملات آتی S&P 500 هنگامی که ترامپ به عنوان برنده اعلام شد، به میزان قابل توجهی کاهش یافت. بازار نسبت به برنده جمهوری واکنش مثبت نشان داد و هفته را با ۵ درصد افزایش به پایان رساند “

بسیاری دیگر از افراد دارنده بیت کوین بر این باورند که مهم نیست که چه کسی در انتخابات ایالات متحده پیروز خواهد شد، محرک و فساد پولی ادامه خواهد یافت. الکس مشینسکی (Celsius Network)، مدیر عامل شبکه سلسیوس معتقد است که با افزایش ناآرامی های مدنی و عدم اطمینان اقتصادی، بانک های مرکزی سعی می کنند نقدینگی را به این اقتصاد متزلزل وارد کنند.

مشینسکی توضیح داد: “انتخابات ایالات متحده عدم اطمینان را افزایش داده و نیاز شرکت ها به داشتن ذخایر بیشتر و نقدینگی بیشتر شده است.” وی اظهار داشت: “اقتصاد جهانی در حال کند شدن است، زیرا تقاضا برای کالاها و خدمات در حال کند شدن است. در عین حال، بانک های مرکزی نقدینگی را پمپاژ می کنند تا این روند را معکوس کنند. همه اینها برای تولید ناخالص داخلی یا نرخ اشتغال ما خوب نیست. وی افزود: فرقی نمی کند چه کسی برنده شود، طی ۲-۳ سال آینده دچار رکود شدیدی خواهیم شد. “

اندازه گیری Volatility

تحلیل طلا

تحلیل طلا

تحلیل طلا

تحلیل طلا

تحلیل یورودلار

تحلیل یورودلار

تحلیل دلار

تحلیل دلار

تحلیل یورودلار

تحلیل یورودلار

اخبار روز 26/07/2021

اخبار روز 26/07/2021

اندیکاتور نوسان، یک ابزار تکنیکال است که فاصله یک اوراق بهادار از میانگین قیمت آن، به سمت بالاتر و پایین تر، را اندازه گیری می کند.

اندیکاتور نوسان، یک ابزار تکنیکال است که فاصله یک اوراق بهادار از میانگین قیمت آن، به سمت بالاتر و پایین تر، را اندازه گیری می کند. این اندیکاتور، پراکندگی بازده ها در طول زمان را در قالبی بصری محاسبه می کند که تحلیلگران تکنیکال، از آن برای سنجش اینکه آیا این ورودی ریاضی در حال افزایش است یا کاهش، استفاده می کنند. نوسانات پایین به طور کلی به حرکت آرام قیمت با نوسانات کوتاه مدت قابل پیش بینی اشاره دارد، در حالی که نوسانات بالا به حرکت پر سر و صدا یا چشمگیر قیمت با نوسانات کوتاه مدت اغلب غیرقابل پیش بینی اشاره دارد.

نوسانات، میزان حرکت قیمت را در طول زمان اندازه گیری می کنند و اطلاعات غیر جهت دار تولید می کنند، مگر اینکه داده ها در قالب های بصری خاصی رسم شوند. این عنصر تکنیکال، با نوسانات بالا که باعث ایجاد افراط در حرص و ترس می شود، تاثیر زیادی بر قیمت گذاری بازار options و تمایلات بازار دارد. نوسان که به عنوان یک اندیکاتور ساخته شده است، تاریخچه ای از حرکت قیمت را ترسیم می کند که تحلیل روند، مومنتوم و رنج را تکمیل می کند.

ابزارهای نوسانی، نسبت به ابزارهای غیر نوسانی، ریسک بیشتری دارند. نوسانات به طور منظم بین حالت های بالا و پایین در حرکت هستند و یک ابزار زمان بندی بالقوه برای معامله گران و تایمرهای بازار (مدیران مالی که می توانند زمان صعود و نزول بازار را پیش بینی کنند) ارائه می دهد. به ویژه، پایین ترین نوسان در دوره های X اغلب محرکی برای تغییر قریب الوقوع به نوسانات بالا است که به حرکت روند و سیگنال های معاملاتی منجر می شود. دانش بازار، این رویه های کلاسیک را ترسیم می کند و به فعالان بازار می گوید «در زمان اعتدال بخرید و در زمان نا آرامی بفروشید».

باندهای بولینگر (Bollinger Bands)

باندهای بولینگر، شناخته شده ترین اندیکاتور نوسانات بازار مالی است. این اندیکاتور که توسط جان بولینگر در اوایل دهه 1980 ایجاد شد، سه خط را در اطراف قیمت ایجاد می کند: یک میانگین متحرک ساده به عنوان باند میانی عمل می کند در حالی که باندهای بالا و پایین، با فاصله یکسان در واکنش به نوسانات متغیر، منبسط و منقبض می شوند. میانگین حرکتی ساده (SMA) 20 روزه یا دوره ای، رایج ترین تنظیم برای باند میانی است، اما این مقدار در برنامه نمودارهای پیشرفته قابل تنظیم است.

این محاسبه، انحراف معیار SMA را می گیرد، که یکی از راه های محاسبه فاصله از SMA در طول زمان است، و نتیجه را روی باندهای بالا و پایین اعمال می کند. باندها در طول زمان، در واکنش به تغییر سطوح نوسانات، منبسط و منقبض می شوند. باندهای منقبض، پرایس اکشن را بین مرزهای باریک «محاصره» می کنند، که نوسان پایین را نشان می دهد در حالی که یک تغییر چرخشی را به نوسان بالا پیش بینی می کند. این تغییر، می تواند سیگنال های ورود و خروج با شانس بالا را برای بسیاری از استراتژی های معاملاتی ایجاد کند.

کانال دانچین (Donchian Channels)

کانال‌ دانچین، باندهای بالا، پایین و میانی را از طریق بررسی حداکثر قیمت در بازه زمانی انتخاب شده ایجاد می کند. بالاترین قیمت در دوره انتخابی، باند بالا را نشان می دهد در حالی که پایین ترین قیمت در دوره انتخابی، باند پایین را نشان می دهد. باند میانی با کم کردن مقدار باند پایین از مقدار باند بالا و تقسیم بر دو، پیدا می شود. سپس از این اندیکاتور، برای بررسی روابط بین قیمت فعلی و رنج های اندازه گیری Volatility معاملاتی در دوره انتخاب شده استفاده می شود.

مانند باندهای بولینگر، 20 روز یا دوره، رایج ترین تنظیم کانال دانچین است. یک باند بالا که با نزدیک شدن به قیمت بالاتر می رود (یا یک باند پایین که پایین تر می رود) نشان دهنده سهولت حرکت است که توسعه روند را تسهیل می کند. برعکس، باندی که با نزدیک شدن به قیمت افقی می ماند، حمایت یا مقاومتی را شناسایی می کند که شانس حرکت بازگشتی و برگشت به باند میانی را افزایش می دهد. باندهای بولینگر با کانال های دانچین متفاوت هستند، و میانگین های متحرکی را به کار می برند که تاثیر نقاط دور افتاده بالا و پایین را در طول دوره های بازنگری، کاهش می دهد.

کانال کلتنر (Keltner Channel)

کانال‌ کلتنر، به منظور سنجش نوسان و کمک به پیش بینی جهت، نوارهایی را در اطراف قیمت در حال توسعه قرار می دهد. باندهای بالا و پایین، به عنوان مضربی ازATR محاسبه شده و در بالا و پایین یک میانگین متحرک نمایی(EMA) رسم می شوند. هر دو ضریب EMA و ATR را می توان به دلخواه تغییر داد اما 50 و 5، تنظیمات متعارفی هستند. صعود قیمت به باند بالا، نشان دهنده قدرت است در حالی که افت قیمت به باند پایین، نشان دهنده ضعف است.

این باندها، حمایت و مقاومت را بدون توجه به انحراف نشان می دهند و با نفوذ به باندها، سیگنال های معاملاتی اشباع خرید و اشباع فروش را ایجاد می کنند و علاوه بر آن، شتاب روند را نشان می دهند. نوارهای افقی، حمایت یا مقاومت بیشتری نسبت به نوارهایی که به سمت بالاتر یا پایین تر حرکت می کنند، اعمال می کنند. نزول قیمت به یک باند صعودی، یک واگرایی صعودی ایجاد می کند در حالی که صعود قیمت به یک باند نزولی، باعث ایجاد واگرایی نزولی می شود.

ابر ایچیموکو (Ichimoku Clouds)

ابر ایچیموکو که توسط گویچی هوسادا در اواخر دهه 1960 توسعه یافت، میانگین های متحرک متعددی را در بالا و پایین قیمت، در قالب مناطق هاشور خورده، ترسیم می کند که «ابرهای» صعودی یا نزولی نامیده می شوند. پنج محاسبه برای ساخت این اندیکاتور اعمال می شود و ابری تولید می کند که تفاوت بین دو خط را نشان می دهد. قیمت بالای ابر، نشان دهنده روند صعودی است در حالی که قیمت زیر ابر، روند نزولی را نشان می دهد. نوسان قیمت صعودی به یک ابر، نشان دهنده مقاومت است در حالی که نوسان قیمت نزولی به یک ابر، نشان دهنده حمایت است.

همچنین ابرها با گذشت زمان، به سمت بالا یا پایین حرکت می کنند و به تطبیق پذیری اندیکاتور می افزایند. هنگامی که قیمت بالاتر از ابر یا پایین تر از ابر حرکت می کند، انتظار می رود سیگنال های روند قوی تر و قابل اعتمادتر باشند. دو خط ابری ""Span A و "Span B" نامیده می شوند. رنگ ابر، زمانی که Span A بالاتر از Span B است، سبز و هنگامی که Span A زیر Span B قرار دارد، قرمز است. قیمت بالای ابر قرمز، نشان دهنده واگرایی صعودی است در حالی که قیمت زیر ابر سبز، نشان دهنده واگرایی نزولی است.

نوسان تاریخی (Historical Volatility)

برخلاف اکثر اندیکاتورهای نوسانات، نوسان تاریخی در یک صفحه جداگانه رسم می شود. این اندیکاتور، مسافتی را که قیمت، طی دوره زمانی انتخاب شده، از میانگین مرکزی طی می کند اندازه گیری می کند. انحراف معیار اغلب برای محاسبه این اندیکاتور استفاده می شود، اما متغیرها، از اندازه گیری های دیگری استفاده می کنند. زمانی که اندیکاتور بالا می رود، ریسک افزایش می یابد و با پایین رفتن آن، ریسک کاهش می یابد. این اندیکاتور، غیر جهت دار است، به این معنی که افزایش یا کاهش نوسانات، به طور ویژه، به نفع استراتژی های خرید یا فروش نیست.

اندیکاتور اصلی، یک تنظیم 10 دوره ای و 252 روزه را برای اندازه گیری نوسانات در طول یک سال اعمال کرد (252 = میانگین تعداد اندازه گیری Volatility روزهای معاملاتی در یک سال). تحلیلگر تکنیکال، اکنون این ورودی ها و همچنین انحراف معیار(SD) را به دلخواه تغییر می دهد. بهترین کار این است که محاسبه ها، «متناسب» با اوراق بهادار باشد زیرا انتظار می رود میانگین نوسان بین انواع مختلف ابزارها و بازارها، متفاوت باشد. تفسیر نوسانات تاریخی، سطوح فعلی را با سطوح قبلی مقایسه می کند و به دنبال منتهی الیه های بالایی و پایینی است که ممکن است بر سود و زیان تاثیر بگذارد. همچنین، مقایسه مقادیر بین ابزارهای بسیار همبسته، می تواند برای کشف مقادیر «معمولی» و واگرایی های پنهان مفید باشد.

اندیکاتورهای نوسان دیگر

بتا (Beta): نوسانات یک اوراق بهادار را در مقایسه با بازار گسترده یا اوراق بهادار دیگر اندازه گیری می کند.

بولینگر %b: فاصله بین قیمت و باندهای بولینگر را به یک پلات اوسیلاتور تبدیل می کند.

پهنای باند بولینگر (Bollinger Bandwidth): درصد فاصله بین باندهای بولینگر بالا و پایین را محاسبه می کند و به دنبال شناسایی نقاط عطف با شانس بالا است.

شاخص تلاطم (Choppiness Index): نشان می دهد که آیا یک بازار، درگیر یک روند یا یک رنج معاملاتی است یا خیر.

نوسانات چایکین (Chaikin Volatility): اوسیلاتوری را تولید می کند که واگرایی میانگین متحرک همگرایی(MACD) را به جای قیمت، برای تراکم-توزیع اعمال می کند. تقاطع بالای خط صفر، نشان دهنده قدرت و تراکم است در حالی که تقاطع زیر خط صفر، نشان دهنده ضعف و توزیع است.

کانال دانچین (Donchian Channel): باندهای بالا، پایین و میانی را از طریق بررسی حداکثر قیمت در یک دوره زمانی انتخاب شده، مشخص می کند. بالاترین قیمت در دوره انتخابی، باند بالا را نشان می دهد در حالی که پایین ترین قیمت در دوره انتخابی، باند پایین را نشان می دهد.

پهنای دانچین (Donchian Width): تفاوت قیمت بین باندهای بالا و پایین کانال دانچین را اندازه می گیرد.

باندهای Fractal Chaos: باندهایی را در اطراف قیمت می کشد و با شیب تعیین می کند که آیا اوراق بهادار، پررونق است یا راکد.

انحراف میانگین متحرک (Moving Average Deviation): نوسانات را با بررسی اینکه چگونه قیمت یک دارایی از میانگین متحرک انتخاب شده در طول زمان انحراف داشته است، اندازه گیری می کند.

پاکت میانگین متحرک (Moving Average Envelope): باندی را بر روی قیمت ترسیم می کند، با منتهی الیه های بالایی و پایینی که به عنوان درصد از پیش انتخاب شده در بالا و پایین میانگین متحرک محاسبه شده اند.

باندهای اعداد اول (Prime Number Bands): بالاترین و کمترین اعداد اول را در یک بازه معاملاتی در یک دوره معین شناسایی می کند و خروجی را به عنوان یک باند در قیمت ترسیم می کند.

نوسانات نسبی (Relative Volatility): نوع متفاوتی از اندیکاتورRSI است که با استفاده از محاسبات انحراف معیار، جهت نوسان را در بازه زمانی مشخص اندازه گیری می کند.

انحراف معیار (Standard Deviation): بررسی می کند که قیمت در طول زمان، تا چه حد از یک میانگین قیمت ​​مرکزی فاصله دارد.

باندهای STARC : همچنین به عنوان Bands Stoller Average Range Channel شناخته می شوند، و در بالا و پایین یک میانگین متحرک ساده ترسیم می شوند و سطوح انتهایی را برجسته می کنند که می توانند سیگنال های خرید یا فروش قوی را ایجاد کنند.

شاخص Ulcer: کاهش، عمق و مدت نزول دارایی را از طریق بررسی سقف و کف ها در طول زمان، پیش بینی می کند.

به آکادمی آموزشی فارکس (Persian FX Academy) خوش آمدید. بازار فارکس به عنوان یکی از بزرگترین بازارهای مالی جهان، امروزه علاقه‌مندان و سرمایه‌گذاران زیادی را به خود جذب کرده است اما شرایط این بازار به آن سادگی که اغلب افراد تصور می‌کنند نیست. حجم بالای سرمایه، پیچیدگی بازار و سهولت دسترسی به این بازار از عواملی است که به ضرر بسیاری از افرادی که در این بازار فعالیت می‌کنند، منجر می‌شود. در این میان جای خالی آموزش و دانش‌اندوزی به وضوح احساس می‌شود. شرایط خاص آموزش در ایران به همراه عدم وجود منابع جامع و کامل (به خصوص به زبان فارسی)، عدم امکان برگزاری کلاس حضوری در داخل ایران و شرکت در کلاس‌های خارج از ایران، ما را بر آن داشت تا اقدام به ایجاد یک آکادمی آموزشی نماییم. هدف بلندمدت از ایجاد این آکادمی، تبدیل شدن آن به یک مرجع اطلاعات و دانش مربوط به فارکس است. برای رسیدن به این هدف، آکادمی سعی نموده با کمک اساتید مجرب شرایطی ایجاد کند تا افراد به هر آنچه در مورد بازار نیاز دارند دسترسی داشته باشند. از کلاس‌های مالتی مدیا گرفته، تا دوره‌های عمومی و تخصصی منسجم و پیوسته که دانشجویان پا به پای اساتید شرایط تحلیل و معامله را فرا بگیرند. ابزارهای معاملاتی، کتابخانه و تحلیل‌های روزانه و هفتگی از دیگر ابزارهای ارائه شده در این آکادمی است.



اشتراک گذاری

دیدگاه شما

اولین دیدگاه را شما ارسال نمایید.