مدل‌سازی و تخمین بازده بورس اوراق بهادار تهران با استفاده از مدل‌های پویا

محورهای موضوعی : اقتصاد مالی

ژیلا رستمی ¹ , شهرام فتاحی ² , کیومرث سهیلی ³

1 - گروه اقتصاد، دانشگاه رازی ،کرمانشاه، ایران
2 - گروه اقتصاد، دانشگاه رازی ، کرمانشاه، ایران(
3 - گروه اقتصاد، دانشکده علوم اجتماعی، دانشگاه رازی، کرمانشاه، ایران

تاریخ دریافت : 1401/10/27 تاریخ پذیرش : 1401/12/29 تاریخ انتشار : 1402/01/01

کلید واژه: بورس اوراق بهادار, C53, شاخص بورس, واژه‌های کلیدی: پیش‌بینی, مدل‌های فضاحالت طبقه بندی JEL : E37,

چکیده مقاله :

چکیدهاز زمانی که بازار سهام در قرن نوزدهم ایجاد شد بسیاری از پژوهشگران به پژوهش بر روی مدل‌های پیش‌بینی قیمت سهام و بازده بازار تمرکز کرده‌اند. مدل‌های پیش‌بینی آماری مانند ارما، اریما، آرچ، به‌طور گسترده بکار برده شده‌اند اما هیچ‌کدام نتیجه مطلوب نداشته‌اند؛ بنابراین اخیراً بسیاری از پژوهشگران بازار سهام را به‌عنوان یک سیستم پویای غیرخطی در نظر گرفته‌اند. کاربرد مدل‌های غیرخطی و همچنین تکنیک‌های پیشـرفته اگرچه سـالهای زیادی نیست که شروع‌شده است ولی در همین مدت‌زمان کـم توانسته است، جایگاه خود را در علوم مختلف باز کند. هدف از این مطالعه پیش‌بینی شاخص بورس با استفاده از مدل پویای میانگین‌گیری و نیز روش مدل پویای انتخابی و استفاده از داده‌های فصلی سال‌های 1380-1399 و به‌کارگیری نرم‌افزار متلب می‌باشد. مزیت اصلی مدل مورداستفاده در مطالعه حاضر ورود تعداد زیادی متغیر مستقل به جهت پویایی آن است بدون اینکه مشکل معمول برازش بیش‌ازحد در مدل ظاهر شود. در این مقاله اثر برخی متغیرهای کلان اقتصادی بر فرآیندِ مدل‌سازی و تخمین بازده سهام بورس اوراق بهادار بررسی شد. نتایج مقاله نشان داد که احتمال ورود متغیرهای رشد حجم پول، رشد شبه پول، تورم، رشد شاخص قیمت زمین درشهرهای بزرگ بیشتر از سایر متغیرهای ورودی است

چکیده انگلیسی:

AbstractSince the creation of the stock market in the nineteenth century, many researchers have focused on research into stock price forecasting models and market returns. Statistical prediction models such as Arma, Arima, Arch, have been widely used but none of them have had the desired result. Therefore, many researchers have recently considered the stock market as a nonlinear dynamic system. The application of nonlinear models as well as advanced techniques, although not many years have begun, but in a short time has been able to open its place in various sciences. The purpose of this study is to predict the stock index using the dynamic model averaging DMA and also the method of the dynamic model selective DMS and the use of quarterly data for the years 1380-1399. The main advantage of the model used in the present study is the introduction of a large number of independent variables for its dynamics without the usual problem of overfitting appearing in the model. In this paper, the effect of some macroeconomic variables on the process of modeling and forecasting stock returns on the stock exchange was investigated. The results of the article showed that the probability of entering the variables of money supply growth, quasi-money growth, inflation, land price index growth in large cities is more than other input variables.

منابع و مأخذ:

فهرست منابع

• اسماعیل پور مقدم هادی؛ تیمور محمدی؛ محمد فقهی کاشانی و عباس شاکری (1398) ارائه شاخصی جدید برای انعکاس رفتار بازار سهام با استفاده از رویکرد تحلیل شبکه‌های پیچیده، فصلنامـه اقتصاد مالی سال سیزدهم، شماره 64، بهار 98، 39-25


• البرزی، محمود (1380)، آشنایی با شبکه‌های عصبی، چاپ اول، تهران، موسسه انتشارات علمی


• اکباتانی، محمد علی 1373، شاخص قیمت سهام، تهران، سازمان بورس و اوراق بهادار تهران


• امام وردی، قدرت الله؛ غلامحسین غلامی و مرضیه بیگلرپور، ۱۳۹۱، پیش بینی شاخص بازدهی بورس اوراق بهادار تهران: کاربردی از مدل‌های شبکه عصبی مبتنی بر الگوریتم ژنتیک، سومین کنفرانس ریاضیات مالی و کاربردها، سمنان، دانشگاه سمنان


• بت شکن، محمد هاشم (1382) شناخت شاخص‌های قیمت سهام در بورس‌های اوراق بهادار و طراحی شاخص نوین قیمتی (Bindex) در بورس اوراق بهادار تهران، تهران، مجله مطالعات حسابداری، شماره 4، ص 14


• پازوکی و همکاران (1399) نقش پویایی رابطه بین بازارهای مالی (فلزات گرانبها نرخ ارز، شاخص سهام) و بازار نفت خام، ماهنامه علمی اکتشاف و تولید نفت و گاز 56-48


• پهلوانی، مصیب؛ سمیرا حیدریان و سید حسین میرجلیلی(1400) بررسی تاثیر تحریم های مالی بر نابرابری درامد در ایران مدل TVP_FAVAR، نشریه سیاست گذاری اقتصادی، دوره سیزدهم، شماره 25، زمستان1400، 239-213


• تهرانی، رضا، مراد پور، سعید: پیش‌بینی بازده شاخص بورس اوراق بهادار با استفاده از مدل‌های شبکه‌های عصبی مصنوعی شعاع پایه. فصلنامه مهندسی مالی و مدیریت اوراق بهادار، شماره دهم، بهار 1393


• خسروی نژاد، علی اکبر؛ شعبانی صدر پیشه، مرجان(1393) ارزیابی مدل های خطی و غیر خطی در پیش بینی شاخص قیمت سهام در بورس اوراق بهادار، فصلنامه اقتصاد مالی سال هشتم، شماره 27، تابستان 1393، 63-51


• دارابی رؤیا، ملیحه علی فرحی، تأثیر متغیرهای کلان اقتصادی برریسک و بازده سهام با تاکید بر مدل بازده سهام-تورم، فصلنامه پژوهشهای حسابداری مالی و حسابرسی، دوره 2 شماره 7، پاییز 1389، 17-141


• راعی، رضا، محمودی آذر، میثم: پیش‌بینی بازده آتی بازار سهام با استفاده از مدل‌های آریما، شبکه عصبی و نویز زدایی موجک. فصلنامه علمی- پژوهشی مدیریت دارایی و تأمین مالی، سال دوم، شماره دوم، شماره پیاپی پنجم، تابستان 1393


• فدایی نژاد، اسماعیل؛ فراهانی رضا: اثر متغیرهای کلان اقتصادی برشاخص کل بورس اوراق بهادار، فصلنامه اقتصادمالی، سال یازدهم، شماره 6، تابستان 1396، 26-1


• فرمان آرا، وحید؛ اکبر کمیجانی؛ اسداله فرزینوش و فرهاد غفاری (1398) نقش بازار سرمایه در تأمین مالی و رشد اقتصادی ) مطالعه موردی ایران و منتخبی از کشورهای در حال توسعه(، فصلنامه اقتصاد مالی سال سیزدهم، شماره 74، تابستان 98، 37-19


• فرمان ارا امید، وحید فرمان ارا (1389) فصلنامه علوم اقتصادی، سال سوم، شماره 12، پاییز 89، 23-14


• محمدی حمید، امیر رضا کیقبادی و مهدی معدنچی زاج، روابط پویای حسابداری و مالی بین بازارهای کامودیتی، بازارهای مالی و ارزهای دیجیتال با رویکرد مدل خود همبسته با وقفه‌های توزیعی، فصلنامه پژوهشهای حسابداری مالی و حسابرسی، دوره 12 شماره 48، زمستان 1399، 228-203


• مشتاق سعید؛ فرهاد حسین زاده لطفی واسمعیل فدایی نژاد (1399) ارائه مدل پرتفوی بهینه از طریق مدل پیشبینی شاخص بازار و با وجود حافظه بلندمدت با استفاده از شبکه عصبی، فصلنامه اقتصاد مالی سال سیزدهم، شماره 47، تابستان 1400، 469-450


• میرفیض فلاح شمس؛ بیتا دلنواز اصغری (1388) پیش بینی شاخص بورس اوراق بهادار تهران با استفاده از شبکه‌های عصبی، فراسوی مدیریت، سال سوم، شماره 9، تابستان 88، 212 – 191

• Bates, J. M. & Granger, C. W. J. (1969). The combination of forecasts. Operations Research Quarterly, 20(4), 451–468.


• Beaver, W. (1981), "Financial Reporting; An Accounting Revolution". ‌ Pearson


• Bishop, M. c. (1997), “Neural Networks for Pattern Recognition,5th Ed. Oxford University Press, Oxford.


• Bollereslev, T. (1986), "Generalized Autoregressive ConditiQnal Heteroskedasticity", Journal of Ecocnometrics, No. 31.


• Bosarge, W. E. (1993), "Adaptive Processes to Explain the Nonlinear Structure of Financial Market. In: R. R. Trippi and Turban(eds.), Neural Networks in Financeand Investing", Probus Publishing Menkhoff, L. (1998). The noise trading approach – Questionnaire evidence from foreign exchange. Journal of International Moneyand Finance, 17(3), 547–564.


• Manuscript available at http://personal.strath.ac.uk/gary.koop/koop_korobilis_


• Neely, C. J. Rapach, D. E. Tu, J. & Zhou, G. (2014). Forecasting the equity risk premium: The role of technical indicators.Management Science, 60(7), 1772–1791.


• Oztekin, A. Kizilaslan, R. Freund, S. and A. Iseri. (2016). A Data Analytic
  Approach to Forecasting Daily Stock Returns in an Emerging Market. European Journal of operational research, Vol. 253, No. 3, Pp. 697-710.


• Pesaran, M. H. Pick, A. & Timmermann, A. (2011). Variable selection, estimation and inference for multi-period forecastingproblems. Journal of Econometrics, 164(1), 173–187.

 

• Pesaran, M.H. Timmermann, A. 1995. Predictability of stock returns: robustness and economic significance. Journal of Finance 50, 1201–1228.


• Rapach, D. E. Strauss, J. K. & Zhou, G. (2010). Out-of-sample equity premium prediction: Combination forecasts and links tothe real economy. Review of Financial Studies, 23(2), 821–862.


• Rapach, D. E. Strauss, J. K. & Zhou, G. (2013). International stock return predictability: What is the role of the United States?Journal of Finance, 68(4), 1633–16


• Raftery, A. E. Kárn´y, M. & Ettler, P. (2010). Online prediction under model uncertainty via dynamic model averaging: Applicationto a cold rolling mill. Technometrics, 52(1), 52–66.


• Samadi fateme. Eslami mofid abadi hosein(2021).the effect of volatility temporal changes on the predictibilityand return of optimal portfolio usin the DMA model. JOURNAL OF MATHEMATICS AND MODELING IN FINANCE.NO(2). 13-1


• West, M. & Harrison, J. (1997). Bayesian forecasting and dynamic models. Springer Verlag


• Rather, A.M. Agarwal, A. and V.N. Sastry. (2015). Recurrent neural network and a hybrid model for prediction of stock returns, Expert Systems with Applications, No. 42, Pp. 3234-3241.Zhang, X. Hu, Y. Xie, K. Wang, Sh.
  Ngai, E.W.T. and M. Liu. (2014). A causal feature selection algorithm for
  stock prediction modeling. Neurocomputing, No. 142, Pp. 48-59.


• Oprational Risks. working paper, www.degroote.mcmaster.ca. 16- Duda, R.o. Hart, P.E. and D.G. Strok, (2001).


• Bates, J. M. & Granger, C. W. J. (1969). The combination of forecasts. Operations Research Quarterly, 20(4), 451–468.Campbell, J. Y. & Thompson, S. B. (2008) Predicting excess stock returns out of sample: Can anything beat the historical average?Review of Financial Studies, 21(4), 1509–1531.


• Chen, R. Liu, J. 2000. Mixture Kalman filters. Journal of the Royal Statistical Society, Series B 62, 493–508


• Koop, G. Korobilis, D. 2009. Forecasting Inflation using Dynamic Model Averaging.


• M Mallikarjuna, R Prabhakara Rao, (2019).Evaluation of forecasting methods from selected stock market returns. Journal of Financial Innovation,40(5), 1-16


• Manuscript available at http://personal.strath.ac.uk/gary.koop/koop_korobilispdf 2009


• Goyal, A. & Welch, I. (2008). A comprehensive look at the empirical performance of equity premium prediction. Review of Financial Studies, 21(4), 1455–1508.


• Groen, J. J. J. & Pesenti, P. A. (2011). Commodity prices, commodity currencies, and global economic developments. In T. Ito, &A. K. Rose (Eds.), (Vol. 20) Commodity prices and markets, NBER – East Asia seminar on economics (pp. 15–42). University ofChicago Press.


• Henkel, S. J. Martin, J. S. & Nardari, F. (2011). Time-varying short-horizon predictability. Journal of Financial Economics, 99(3),560–580.


• Koop, G. & Korobilis, D. (2012). Forecasting inflation using dynamic model averaging. International Economic Review, 53(3),867–886.


• Koop, G, Korobilis, D. UK macroeconomic forecasting with many predictors:


• Which models forecast best and when do they do so? Economic Modelling 28 (2011); 2307–2318


• Menkhoff, L. (1998). The noise trading approach – Questionnaire evidence from foreign exchange. Journal of International Moneyand Finance, 17(3), 547–564.


• Neely, C. J. Rapach, D. E. Tu, J. & Zhou, G. (2014). Forecasting the equity risk premium: The role of technical indicators.Management Science, 60(7), 1772–1791.


• Pesaran, M. H. Pick, A. & Timmermann, A. (2011). Variable selection, estimation and inference for multi-period forecastingproblems. Journal of Econometrics, 164(1), 173–187.


• Pesaran, M.H. Timmermann, A. 1995. Predictability of stock returns: robustness and economic significance. Journal of Finance 50, 1201–1228.


• Rapach, D. E. Strauss, J. K. & Zhou, G. (2010). Out-of-sample equity premium prediction: Combination forecasts and links tothe real economy. Review of Financial Studies, 23(2), 821–862.


• Rapach, D. E. Strauss, J. K. & Zhou, G. (2013). International stock return predictability: What is the role of the United States?Journal of Finance, 68(4), 1633–16


• Raftery, A. E. Kárn´y, M. & Ettler, P. (2010). Online prediction under model uncertainty via dynamic model averaging: Applicationto a cold rolling mill. Technometrics, 52(1), 52–66.