فهرست نشریات علمی دسترسی آزاد ایران

در سال‌های اخیر، فرایندهای با حافظه بلندمدت، نقش مهمی در تجزیه و تحلیل سری های زمانی ایفا نموده‌اند. وجود حافظه بلندمدت در بازده دارایی‌ها، کاربردهای مهمی در بررسی کارایی بازار، منطق رفتاری سرمایه گذاران، قیمت‌گذاری و انتخاب پرتفوی دارایی دارد. در پژوهش حاضر با استفاده از روش R/S، مدل میانگین متحرک خودهمبسته با انباشتگی جزئی (ARFIMA) و مدل های واریانس شرطی خودهمبسته با انباشتگی جزئی (FIGARCH) و واریانس شرطی خودهمبسته هیپربولیک (HYGARCH) به بررسی وجود حافظه بلندمدت در چهار ارز دیجیتال عمده (بیت‌کوین، اتریوم، ریپل و لایت‌کوین) طی دوره ژانویه 2016 لغایت نوامبر 2019 می‌پردازیم. علی رغم اینکه نتایج روش R/S نشان‌دهنده وجود حافظه بلندمدت در هر چهار ارز مورد بررسی می‌باشند، نتایج مدل و ARFIMA مدل‌های خانواده GARCH حاکی از آن است که دو ارز بیت‌کوین و اتریوم دارای حافظه بلندمدت بوده می باشند و لذا می‌توان با قیمت‌های گذشته، قیمت‌های آتی را پیشبینی نمود و این نشان از رد فرضیه بازارهای کارا و تایید وجود انگیزه های سوداگرانه در خصوص این ارزهای دیجیتال می‌باشد؛ در حالی که بر اساس نتایج این مدل ها ارزهای دیجیتال ریپل و لایت کوین فاقد حافظه بلندمدت می‌باشند. این نتایج در بهینه سازی پرتفوی سرمایه گذاری در ارزهای دیجیتال بسیار کاربردی و حائز اهمیت می باشد.