مقایسه عملکرد مدل پنج عاملی فاما و فرنچ و انواع رویکرد های شبکه عصبی و عصبی فازی در پیش بینی قیمت سهام

محورهای موضوعی : مهندسی مالی

رضا تهرانی ¹ (دانشیار، گروه مدیریت دانشگاه تهران، تهران، ایران)
میلاد حیرانی ² (کارشناس ارشد مدیریت مالی، دانشگاه ارومیه، ارومیه، ایران)
سمیرا منصوری ³ (کارشناس ارشد مدیریت مالی، دانشگاه تهران، تهران، ایران)

تاریخ دریافت : 1397/04/05 تاریخ پذیرش : 1397/10/01 تاریخ انتشار : 1398/04/01

کلید واژه: قیمت سهام, شبکه عصبی, GMDH, RBF, پنج عاملی فاما و فرنچ, SVR,

چکیده مقاله :

یکی از مهم‌ترین موضوعات مطرح بازارهای مالی پیش‌بینی قیمت و بازده سهام است. در این پژوهش سعی می‌شود بهترین مدل و رویکرد پیش‌بینی قیمت سهام با توجه به شاخص های میانگین مربعات خطا (MSE)، مجذور میانگین مربعات خطاها (RMSE)، ضریب تعیین ( 14R2"> ) انحراف معیار (S.D)، میانگین قدر مطلق خطاها (MAE) و معیار میانگین قدر مطلق خطاها (MAPE) برای مدل پنج عاملی فاما و فرنچ انتخاب شود. بدین منظور پس از تشکیل پرتفوی با توجه به مدل پنج عاملی فاما و فرنچ در بازه زمانی 1388 تا 1395 قیمت سهام توسط مدل اقتصادسنجی، رویکردهای شبکه عصبی، شبکه عصبی بهینه سازی شده، شبکه عصبی فازی بهینه سازی شده شبکه عصبی پایه شعاعی، شبکه عصبی GMDH، شبکه عصبی SVR و شبکه های عصبی فازی پیش‌بینی و دقت هر کدام از رویکردها برآورد شده است. نتایج پیش‌بینی بازدهی پرتفوی‌های تشکیل شده، نشان می‌دهد که دقت پیش‌بینی شبکه عصبی تابع پایه شعاعی (RBF) نسبت به دیگر مدل های ARMA و شبکه‌های عصبی بسیار بالا است.

چکیده انگلیسی:

One of the most important issues of financial markets is the prediction of price and stock returns. In this paper, we try to find the best model and stock price prediction approach based on the mean square error (MSE), root-mean-square error (RMSE), R-squared, standard deviation (SD), Mean absolute error and the mean absolute percent error (MAPE) for the Fama and French five-factor model. For this purpose, after the formation of a portfolio based on the Fama and French model during the period from 2009 to 2017, stock price is estimated by econometric model, neural network and Fuzzy Neural Networks, so the accuracy of each approach was compared. The results of the prediction the efficiency of the generated portfolios show that the prediction accuracy of the radial base function network (RBF) is very high compared to other ARMA models and other neural networks.