پیش بینی بازده سهام

این مقاله نتایج تحقیقی را نشان می دهد که تحقیق مزبور بر اساس اطلاعات واقعی ، رابطه بین نسبت های سودآوری و بازده سهام مورد آزمون قرار گرفته است . تحقیق در نمونه ای متشکل از 47 شرکت پذیرفته شده در بورس اوراق بهادار تهران و فعال در زمینه شیمیایی و در دوره زمانی 1378 لغایت 1382 انجام شد . هدف تحقیق عبارت بود از آنکه سرمایه گذاران و سایر استفاده کنندگان از صورتهای مالی به این موضوع مهم پی ببرند که نسبت های مالی به عنوان یکی از روشهای تجزیه و تحلیل گزارشات مالی شرکتها ، دارای بار اطلاعاتی بوده و می تواند در تصمیم گیری آنها در خصوص خرید یا فروش سهام نقش موثری داشته باشد ...

تحقیق حاضر، رابطه بین ارزش ذاتی شرکت ها و بازده آنها را بر اساس مدل ارزش گذاری فلتهام- اولسن (1995) مورد بررسی قرار می دهد. این مدل، خواستار تعیین ارزش ذاتی شرکت ها با استفاده از ارزش دفتری آنهاست. جامعه آماری این تحقیق در برگیرنده شرکت های پذیرفته شده در بورس اوراق بهادار تهران است که در صنایع محصولات غذایی و آشامیدنی به جز قند وشکر، مواد و محصولات دارویی و نهایتاً خودرو و ساخت قطعات، فعالیت دارند. نمونه مورد بررسی شامل 37 شرکت است که داده های آنها برای بازه زمانی 1377 تا 1386 با استفاده از مدل رگرسیون مقطعی- زمانی (پانل دیتا) مورد آزمون قرار گرفته است. نتایج نشان می دهد در صنایع مورد بررسی مدل یاد شده با قاطعیت کامل قادر به تعیین ارزش ذاتی شرکت های مورد مطالعه نیست؛ اما شواهد نشان می دهد شرکت هایی که دارای ارزش ذاتی بیشتری هستند، سود بیشتری کسب می نمایند. با توجه به نتایج حاصل، نمی توان کارایی این مدل را به طور کامل رد کرد؛ اما در حال حاضر استفاده از این الگو در بورس اوراق بهادار تهران توصیه نمی شود.

پیش بینی بازده سهام به کمک کشف الگوهای رفتاری فرآیند مولد قیمت سهام امکان پذیر است. میزان موفقیت درکشف اینگونه الگوهای رفتاری، میزان کارایی پیش بینی را مشخص می کند. به عبارت دیگر فرآیند مولد قیمت سهام را می توان به عنوان یک الگوی دینامیکی بررسی کرد. این فرآیند ممکن است به صورت مدل های خطی، مدل های غیر خطی و یا مدل های تصادفی به دست آید. این پژوهش ساختارهای خطی پیش بینی کننده را در قالب دو مدل قیمت گذاری دارایی های سرمایه ای و سه عاملی فاماو فرنچ و ساختارهای غیرخطی را به صورت شبکه های عصبی تشریح می نماید.

با توجه به اهمیت بازده در مطالعات سرمایه گذاری، برآورد رابطه ی آن با عدم تقارن اطلاعاتی از مسائل مهم و ضروری است. تغییرات زمانی بازده، عدم کفایت مطالعات صورت گرفته و وجود عوامل تاثیرگذار بر میزان بازده سهام باعث توسعه ی روش های نوین و هوشمند در تخمین و برآورد بازده سهام شرکت های بورسی شده است. هدف از این تحقیق پیش بینی بازده سهام با استفاده از عدم تقارن اطلاعاتی با رویکرد شبکه های عصبی مصنوعی است. متغیر مستقل در این تحقیق عدم تقارن اطلاعاتی و متغیر وابسته بازده سهام بوده است. به همین منظور، متغیرهای مربوط برای 100 شرکت بورسی و به مدت 6 سال گرد آوری شده است. خروجی های حاصل از تخمین شبکه های عصبی مصنوعی و نتایج حاصل از تخمین با استفاده از این روش، با معیارهای ارزیابی (99/0=R، 064/0= MSEو 21/0=MAE) بوده است. با در نظر گرفتن مقدار تصادفی (50 درصد) و مقایسه آن با 99/0=R، ارتباط معنادار بین متغیر عدم تقارن اطلاعاتی و بازده سهام مشاهده می شود. همچنین، شبکه مزبور دارای کمترین خطا (064/0= MSEو 21/0=MAE) نسبت به دیگر شبکه های طراحی شده است.

هدف این پژوهش، بررسی سودمندی روش های مختلف کاهش )انتخاب و استخراج( متغیرها در پیش بینیبازده سهام شرکت های پذیرفته شده در بورس اوراق بهادار تهران است. در این راستا، با بررسی پیشینهپژوهش، 52 متغیر اولیه که بیشتر در ادبیات استفاده و داده های مورد نیاز برای سنجش آنها در دسترسبود، جستجو و با استفاده از روش انتخاب متغیر ریلیف و روش استخراج متغیر تحلیل عاملی، متغیرهای بهینهاز بین متغیرهای اولیه، انتخاب یا استخراج شد. در ادامه، با استفاده از 52 متغیر اولیه و همچنین با متغیرهایانتخاب یا استخراج شده در روش های مزبور به پیش بینی بازده سهام 101 شرکت پذیرفته شده در بورساوراق بهادار تهران در بازه زمانی 1383 الی 1392 پرداخته شده است. به منظور پیش بینی نیز از رگرسیونغیرخطی درخت تصمیم و رگرسیون خطی استفاده شده است. یافتههای تجربی این پژوهش حاکی ازسودمندی هر دو روش کاهش متغیر )نسبت به استفاده از 52 متغیر اولیه(، سودمندی بیشتر روش ریلیفنسبت به تحلیل عاملی و همچنین عملکرد بهتر درخت تصمیم نسبت به رگرسیون خطی است

در طول سال های اخیر مدل های سری زمانی غیر خطی یکی از ابزارهای جدید در توصیف و پیش-بینی بازدهی سهام بوده است. شواهد بسیاری رابطه عکس بین بازدهی آینده سهام و حجم معاملات را تأیید کرده است. وجود این رابطه نشان می دهد، حجم معاملات می تواند به عنوان متغیر آستانه ای مناسب در مدل های خودتوضیح آستانه ای (TAR) و خودتوضیح انتقال هموار لجستیک (LSTAR) استفاده شود. در این پژوهش توانایی مدل های خطی ARMA و مدل های TAR و LSTAR مقایسه شده است. علاوه بر این از متغیر حجم معاملات به عنوان متغیر آستانه ای یا انتقال در مدل های TAR و LSTAR استفاده شده است. بدین منظور نمونه ای از 26 شرکت در طول سال-های 1380 تا 1388 از شرکت های بورس اوراق بهادار تهران مورد مطالعه قرار گرفتند. از داده های 7 سال به عنوان داده های آموزشی و از داده های 2 سال به عنوان داده های آزمایشی استفاده شد. با استفاده از آزمون دایبلد ماریانو ، عملکرد مدل ها مورد مقایسه قرارگرفت. نتایج نشان دادند، مدل های غیرخطی از قدرت پیش بینی بالاتری نسبت به مدل ARMA برخوردارند. همچنین به کارگیری حجم معاملات در مدل های غیرخطی عملکرد این مدل ها را بهبود نبخشید.

مقاله حاضر به بررسی سودمندی رگرسیون های تجمیعی و روش های انتخاب متغیرهای پیش بین بهینه (شامل روش مبتنی بر همبستگی و ریلیف) برای پیش بینی بازده سهام شرکت های پذیرفته شده در بورس اوراق بهادار تهران می پردازد. به منظور ارزیابی عملکرد رگرسیون تجمیعی، معیارهای ارزیابی (شامل میانگین قدرمطلق درصد خطا، مجذور مربع میانگین خطا و ضریب تعیین) مربوط به پیش بینی این روش، با رگرسیون خطی و شبکه های عصبی مصنوعی مقایسه شده است. همچنین به منظور ارزیابی عملکرد روش های انتخاب متغیرهای بهینه پیش بین، معیارهای ارزیابی حاصل از پیش بینی با استفاده از متغیرهای انتخاب شده توسط این روش ها با معیارهای حاصل از پیش بینی با استفاده از کلیه متغیرها مقایسه شده است. یافته های تجربی مربوط به بررسی 101 شرکت پذیرفته شده در بورس اوراق بهادار تهران در سال های 1383 الی 1392 حاکی از عملکرد بهتر روش تجمیعی نسبت به رگرسیون خطی و شبکه های عصبی مصنوعی است. افزون بر این، یافته ها حاکی از آن بود که پیش بینی با استفاده از متغیرهای انتخاب شده در روش های مبتنی بر همبستگی و ریلیف، به طور معناداری عملکرد پیش بینی را نسبت به استفاده از کلیه متغیرها افزایش می دهد. Abstract Present study investigates the usefulness of ensemble regression and feature selection methods (including correlation-based feature selection and Relief) in predicting stock returns of companies listed on Tehran Stock Exchange. For performance evaluation of ensemble regression, evaluation criteria (including mean absolute percentage error, root mean squared error and coefficient of determination) of this method compared with linear regression and artificial neural networks. Also, for performance evaluation of feature selection methods, evaluation criteria of these methods compared with using all variables. The experimental results of investigating 101 companies listed in Tehran Stock Exchange in 2004-2013 indicate that ensemble regression outperforms the linear regression and artificial neural networks. Furthermore, the results show that selected variables with correlation-based feature selection and Relief result in better prediction in compare with using all variables.   Keywords : Stock Returns Prediction, Ensemble Regression, Feature Selection Methods.

هدف : در این پژوهش، از یک مدل خودرگرسیون برداری عاملی تعمیم یافته با پارامترهای متغیر طی زمان برای ساخت شاخص شرایط مالی استفاده شده است. تغییرپذیری، طی زمانی این امکان را در پارامترهای مدل (TVP) فراهم می کند که وزن منتسب به هر یک از متغیرهای به کاررفته در شاخص طی زمان انعطاف پذیر باشد و بدین ترتیب، پویایی های طی زمان ارزیابی شود. سپس توانایی شاخص استخراج شده برای پیش بینی متغیرهای مختلف ارزیابی شده است. روش : شاخص شرایط مالی با استفاده از روش TVP-FAVAR و داده های فصلی دوره زمانی 1398-1368 برآورد شده است. متغیرهای استفاده شده شامل نرخ بهره و تورم، رشد نرخ ارز، مصرف، تسهیلات بانکی، شاخص کل بورس، حجم پول، درآمدهای نفتی و نرخ رشد تولید ناخالص داخلی بوده است. نتایج : نتایج نشان دهنده وجود نوسان های چشمگیری در پارامترهای مدل بوده است. مطابق نتایج، شوک واردشده از ناحیه بهبود شاخص شرایط مالی به واکنش مثبت در شاخص بازار سهام منجر شده است؛ همچنین در شاخص شرایط مالی استخراج شده، توانایی پیشی بینی زیادی وجود دارد.

هدف: سرمایه گذاری یکی از موضوعات مهم در اقتصاد همه کشورهاست که برای افراد و مقامات ارشد کشورها، اهمیت بسیار زیادی دارد. سرمایه گذاری انتخاب دارایی برای حفظ و کسب درآمد بیشتر، به منظور رفاه آینده است. یکی از مباحث مهمی که در بازارهای سرمایه مطرح است و سرمایه گذاران اعم از اشخاص حقیقی یا حقوقی باید به آن توجه کنند، بحث بهینه سازی بازده سهام است که به پیش بینی بازده سهام مرتبط است. بر این اساس پژوهش حاضر با هدف بهینه سازی پیش بینی بازده سهام مبتنی بر ریسک، در صنایع منتخب بورس اوراق بهادار تهران اجرا شده است. روش: تجزیه وتحلیل داده ها در دو بخش انجام شد. در مرحله نخست، داده ها به کمک روش داده های ترکیبی و همچنین فرایند خودرگرسیون مرتبه اولAR(1) ر دوره زمانی ۱۳۸۹ تا ۱۳۹۸ برآورد شد و با استفاده از این مدل، بازده سهام برای صنایع منتخب بورس اوراق بهادار پیش بینی شد. در مرحله دوم، به کمک روش تحلیل پوششی داده ها (DEA)، هینه سازی پیش بینی بازده سهام در مرحله قبل، برای صنایع منتخب بورس اوراق بهادار تهران در دوره زمانی ۱۳۸۹ تا ۱۳۹۸ صورت گرفت. یافته ها: نتایج بهینه سازی پیش بینی بازده سهام در سه صنعت استخراج نفت وگاز بجز اکتشاف، استخراج کانه های فلزی و فراورده های نفتی نشان داد که صنعت استخراج نفت وگاز بجز اکتشاف با میزان4214/0 نسبت به سایر صنایع کارایی بیشتری دارد. پس از آن، صنعت استخراج کانه های فلزی با میزان کارایی 3728/0 در رتبه دوم و صنعت فراورده های نفتی با میزان کارایی 2516/0 در رتبه سوم از نظر میزان کارایی قرار گرفتند. نتیجه گیری: بهینه سازی پیش بینی بازده سهام در صنعت استخراج نفت وگاز بجز اکتشاف، در مقایسه با صنایع دیگری که در این مطالعه بررسی شد، در سطح بالاتری قرار دارد. با توجه به اینکه در کشور صنعت نفت کارآمدتر و بهینه تر عمل کرده است، می توان نفت را با روش های مؤثر وارد چرخه تولید کرد و با ورود تکنولوژی یا فناوری به کشور آن را عرضه کرد. از آنجا که تولیدات صنایع دیگر، از تولیدات سه صنعت مورد بررسی در این مطالعه بسیار کمتر است، برای افزایش تولیدات کالاهای صنعتی و غیرنفتی و کاهش واردات و افزایش صادرات کالاهای نهایی به دیگر کشورها، به منظور افزایش رشد اقتصادی، باید اقدام های اساسی صورت گیرد. از این رو پیشنهاد می شود که در ابتدا، از صنعت استخراج نفت وگاز بجز اکتشاف، برای تولید کالاهای نهایی از این صنعت استفاده شود و پس از آن، برای تولید کالاهای نهایی، به دیگر صنایع روی آورد. همچنین از آنجایی که صنعت فراورده های نفتی، تحت تأثیر متغیرهای بیشتری در پیش بینی بازده سهام قرار می گیرد، پیشنهاد می شود که سرمایه گذاران صنعت فراورده های نفتی، متغیرهای مورد مطالعه در این پژوهش، به ویژه نرخ رشد تولیدات صنعتی را از قبل بدانند و بازده سهام و میزان سرمایه گذاری خود را در نظر بگیرید. برای پژوهش های آتی، پیشنهاد می شود که بهینه سازی پیش بینی بازده سهام در صنایع مهم دیگری مانند صنعت دارویی، عرضه برق، بخار و آب گرم و غیره نیز بررسی و ارزیابی شده و با نتایج این مطالعه مقایسه شود.