کاظم چاوشی

ین تحقیق به پیش بینی پذیری رفتار بازده سهام در بورس اوراق بهادار بوسیله مدل خطی عاملی و شبکه های عصبی مصنوعی می پردازد. جهت آزمون این مساله، قیمت روزانه سهام شرکت توسعه صنایع بهشهر به عنوان نمونه انتخاب شده است. متغیرهای مستقل (ورودی های) تحقیق، پنج متغیر کلان اقتصادی، یعنی شاخص کل قیمت بورس تهران، نرخ ارز (دلار) در بازار آزاد، قیمت نفت، قیمت طلا می باشد. برای برازش مدل عاملی از رگرسیون خطی چند متغییره و برای مدل شبکه عصبی از معماری (MLP) با الگوریتم آموزش پس انتشار خطا استفاده شده است. نتایج حاصله حاکی از موفقیت این دو مدل در پیش بینی رفتار بازده سهام مورد نظر و همچنین برتری عملکرد شبکه های عصبی مصنوعی بر مدل چند عاملی می باشد.

تنوع بخشی یکی از ابزارهای مدیریت ریسک است و مزیت مهم آن این است که با افزایش تنوع بخشی، ریسک سیستماتیک بدون کاهش سطح بازدهی تقلیل می یابد؛ اما پرتفوهای بسیار متنوع شده معایبی از جمله هزینه های معاملاتی، نگهداری و نظارتی دارند. از طرفی معیارهای سنتی ریسک به دلیل عدم تمایز میان نوسانات مطلوب و نامطلوب بازده معیارهای مناسبی برای اندازه گیری ریسک و انعکاس آنچه ذهن انسان از مفهوم ریسک درک می کند، نیست؛ اما معیارهای ریسک نامطلوب، نوسانات نامطلوب بازده را هدف سرمایه گذار قرار می دهد. پژوهش حاضر با هدف تعیین رابطه بین تنوع بخشی و بخش نامطلوب ریسک، به بررسی این رابطه در بازار بورس اوراق بهادار تهران پرداخته است. داده های مورد استفاده مربوط به سری زمانی بازده روزانه 104 شرکت در بازه زمانی 15/1/1386 تا 31/6/1391 است. پرتفوهایی با تعداد 1 تا 20 سهم براساس استراتژی ساده به صورت روزانه ایجاد شد، معیارهای ریسک نامطلوب همچون نیم انحراف معیار زیر هدف، ارزش در معرض ریسک، ریزش مورد انتظار و گشتاور جزئی پایینی برای هر یک از پرتفوها محاسبه شد. نتایج این پژوهش نشان می دهد که تنوع بخشی و ریسک نامطلوب رابطه معنادار منفی دارند و معیار ریزش مورد انتظار، معیار مناسب تری برای محاسبه ریسک به شمار می رود.