سودمندی رگرسیون‌های تجمیعی و روش‌های انتخاب متغیرهای پیش‌بین بهینه در پیش‌بینی بازده سهام

الموضوعات :

محمد حسین ستایش ¹ ( استاد حسابداری، دانشگاه شیراز، شیراز، ایران )
مصطفی کاظم نژاد ² ( دانشجوی دکتری حسابداری، دانشگاه شیراز، شیراز، ایران )

تاريخ الإرسال : 23 السبت , ذو الحجة, 1437 تاريخ التأكيد : 28 الإثنين , صفر, 1438 تاريخ الإصدار : 22 الأحد , جمادى الأولى, 1438

الکلمات المفتاحية: پیش‌بینی بازده سهام, رگرسیون تجمیعی, روش‌های انتخاب متغیرهای پیش‌بین بهینه,

ملخص المقالة :

مقاله حاضر به بررسی سودمندی رگرسیون‌های تجمیعی و روش‌های انتخاب متغیرهای پیش‌بین بهینه (شامل روش مبتنی بر همبستگی و ریلیف) برای پیش‌بینی بازده سهام شرکت‌های پذیرفته شده در بورس اوراق بهادار تهران می‌پردازد. به‌منظور ارزیابی عملکرد رگرسیون تجمیعی، معیارهای ارزیابی (شامل میانگین قدرمطلق درصد خطا، مجذور مربع میانگین خطا و ضریب تعیین) مربوط به پیش‌بینی این روش، با رگرسیون خطی و شبکه‌های عصبی مصنوعی مقایسه شده است. همچنین به منظور ارزیابی عملکرد روش‌های انتخاب متغیرهای بهینه پیش‌بین، معیارهای ارزیابی حاصل از پیش‌بینی با استفاده از متغیرهای انتخاب شده توسط این روش‌ها با معیارهای حاصل از پیش‌بینی با استفاده از کلیه متغیرها مقایسه شده است. یافته‌های تجربی مربوط به بررسی 101 شرکت پذیرفته شده در بورس اوراق بهادار تهران در سال‌های 1383 الی 1392 حاکی از عملکرد بهتر روش تجمیعی نسبت به رگرسیون خطی و شبکه‌های عصبی مصنوعی است. افزون بر این، یافته‌ها حاکی از آن بود که پیش‌بینی با استفاده از متغیرهای انتخاب شده در روش‌های مبتنی بر همبستگی و ریلیف، به طور معناداری عملکرد پیش‌بینی را نسبت به استفاده از کلیه متغیرها افزایش می‌دهد. 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.

المصادر:

1)    آذر، عادل و سیروس کریمی، (1388)، "پیش‌بینی بازده سهام با استفاده از نسبت‌های حسابداری با رویکرد شبکه‌های عصبی"، تحقیقات مالی، دوره 11، شماره 28، صص 3-20.

2)    احمدپور، احمد و امیرحسین عظیمیان معز، (1391)، "بررسی ارتباط رشد دارایی‌ها با بازده سهام در بورس اوراق بهادار تهران"، پژوهشنامه اقتصادی، دوره 12، شماره 3 - صص 27 -42.

3)     اسلامی بیدگلی، غلامرضا، شهاب‌الدین شمس و هستی چیت‌سازان، (1386)، "نظریه‌های مالی نوین، (رابرت هاگن)"، تهران، انتشارات دانشگاه تهران.

4)    اسلامی بیدگلی، غلامرضا و اعظم هنردوست، (1391)، "مدل سه عاملی فاما و فرنچ و ریسک نقدشوندگی: شواهدی از بازار بورس اوراق بهادار تهران"، دانش سرمایه گذاری، سال 1، شماره 2، صص 97-116.

5)    ایزدی نیا، ناصر، منیژه رامشه و سعید یادگاری، (1391)، "پیش‌بینی بازده سهام براساس حجم معاملات سهام"، فصلنامه حسابداری مالی، شماره 16، صص 160-174.

6)    ایزدی نیا، ناصر، محمد ابراهیمی و امین حاجیان نژاد، (1393)، "مقایسه مدل اصلی سه عاملی فاما و فرنچ با مدل اصلی چهار عاملی کارهارت در تبیین بازده سهام شرکت‌های پذیرفته‌شده در بورس اوراق بهادار تهران"، مجله مدیریت دارایی و تأمین مالی، جلد 2، شماره 3، صص 17-28.

7)     تهرانی، رضا و عسکر نوربخش، (1386)، "مدیریت سرمایه‌گذاری"، (چارلز پی جونز)، تهران، انتشارات نگاه دانش، چاپ 3،

8)     تهرانی، رضا و عسکر نوربخش، (1387)، "مدیریت مالی پیشرفته"، (توماس کاپلند؛ ای، وستون، جان فرد و کولدیپ شاستری)، تهران، انتشارات نگاه دانش، چاپ اول.

9)    ثقفی، علی و محمدجواد سلیمی، (1384)، "متغیرهای بنیادی حسابداری و بازده سهام"، مجله علوم انسانی و اجتماعی دانشگاه شیراز، دوره 22، شماره 2، پیاپی 43، صص 61-74.

10)  ثقفی، علی و صابر شعری، (1383)، "نقش اطلاعات بنیادی حسابداری در پیش‌بینی بازده سهام"، فصلنامه مطالعات حسابداری، شماره 8، صص 87-120.

11)  جعفریه، حمیدرضا، نگار معتمدی و الهه ملایی، (1385)، "شبکه‌های عصبی و الگوریتم‌های ژنتیک در تجارت"، ماهنامه تدبیر، سال 18، شماره 177، صص 62-68.

12)  خالوزاده، حمید و علی خاکی‌صدیق (1377)، "پیش‌بینی و الگوسازی فرآیند رفتار قیمت‌ها در بورس اوراق بهادار تهران در هم‌سنجی مدل‌های خطی و غیرخطی"، مدرس علوم انسانی، شماره 6، صص 45-59.

13)  دستگیر، محسن، ندا تاجی و رحمان ساعدی، (1391)، "رابطه بین متغیرهای حسابداری با بازده سهام با استفاده از مدل بازده ژانگ"، پژوهشنامه حسابداری مالی و حسابرسی، سال 4، شماره 13، صص 43-64.

14)  دستگیر، محسن و رامین خدابنده، (1382)، "بررسی ارتباط بین محتوای اطلاعاتی اجزای اصلی صورت گردش وجه نقد با بازده سهام"، مجله علوم انسانی و اجتماعی دانشگاه شیراز، دوره 19، شماره 2، پیاپی 38، صص 100-112.

15)  راعی، رضا و کاظم چاوشی، (1382)، "پیش‌بینی بازده سهام در بورس اوراق بهادار تهران: مدل شبکه‌های عصبی مصنوعی و مدل عاملی"، تحقیقات مالی، سال پنجم، شماره 15، صص 97-120.

16)  عباسی، ابراهیم و سحر باقری، (1391)، "پیش‌بینی بازده سهام با استفاده از مدل‌های غیرخطی آستانه ‌ای و بررسی نقش حجم معاملات در بهبود عملکرد اینمدل‌ها"، تحقیقات مالی، شماره 32، صص 91-108.

17)  عبده تبریزی، حسین و محمود گنابادی، (1375)، "تردید در اعتبار مدل‌های مالی"، ح‍س‍ابدار، شماره 115، صص 13-20.

18)  کمیته تدوین استانداردهای حسابداری ایران، (1389)، "استانداردهای حسابداری"، تهران، انتشارات سازمان حسابرسی،.

19)  کیا، مصطفی، (1388)، "طراحی شبکه‌های عصبی، (مارتینتی هاگان، هاوارد بی دیموث، مارک بیل)"، تهران، کیان رایانه سبز، چاپ 1،.

20)  نمازی، محمد، (1389)، "پژوهش‌های تجربی در حسابداری: دیدگاه روش‌شناختی، (رشاد عبدالخلیق، بیپین ب. آجین کیا)"، شیراز، انتشارات دانشگاه شیراز، چاپ 2.

21)  نمازی، محمد و امین ناظمی، (1384)، "بررسی تحلیلی تحقیقات انجام شده در بورس اوراق بهادار تهران"، تحقیقات مالی، شماره 19، صص 135-166.

22)  نمازی، محمد و حسن محمدتبار کاسگری، (1386)، "به‌کارگیری مدل چندعاملی برای توضیح بازده سهام شرکت‌های پذیرفته شده در بورس اوراق بهادار تهران"، مجله علوم انسانی و اجتماعی دانشگاه شیراز، دوره 26، شماره 1، پیاپی 50، صص 157-180.

23)  همت‌فر، محمود، سید علی‌اکبر حسینی، فرهاد شاه ویسی و یوسف نجفی، (1390)، "روابط خطی و غیرخطی بین متغیرهای حسابداری و بازده سهام شرکت‌های صنعت خودرو و ساخت قطعات"، پژوهشنامه حسابداری مالی و حسابرسی، سال 3، شماره 12، صص 137-154.

24)   Alfaro, E., Garcia, N., Gamez, M., and D. Elizondo., (2008), “Bankruptcy Forecasting: An Empirical Comparison of AdaBoost and Neural Networks”. Decision Support Systems, Vol. 45, PP. 110–122.

25)   Al-Horani, A., Pope, P. F., and A. W. Stark., (2003), “Research and Development Activity and Expected Returns in The United Kingdom”. European Finance Review, Vol. 7, No. 1, PP. 27-46.

26)   Atiya, A. F., (2001), “Bankruptcy Prediction for Credit Risk Using Neural Networks: A Survey and New Results”. IEEE Transactions on Neural Networks, Vol. 12, No. 4, PP. 929-935.

27)   Boyacioglu, M. A., and D. Avci., (2010) , “An Adaptive Network-Based Fuzzy Inference System (ANFIS) for The Prediction of Stock Market Return: The Case of The Istanbul Stock Exchange”. Expert Systems with Applications, Vol. 37, PP. 7908 – 7912.

28)   Breiman, L., (1996), “Bagging Predictors”. Machine Learning, Vol. 24, PP. 123-140.

29)   DeTienne, K. B., DeTienne, D. H., and S. A. Joshi., (2003), “Neural Networks as Statistical Tools for Business Researchers”. Organizational Research methods, Vol. 6, No. 2, PP. 236-265.

30)   Fabozzi, F. J., and H. M. Markowitz., (2002), “The Theory and Practice of Investment Management”. John Wiley & Sons.

31)   Fama, E. F., (1991), “Efficient Capital Markets: II”. The Journal of Finance, Vol. 46, No. 5, PP. 1575–1617.

32)   Gysen, M., Huang, C. S., and R. Kruger., (2013), “The Performance of Linear Versus Non-Linear Models in Forecasting Returns on The Johannesburg Stock Exchange”. International Business & Economics Research Journal, Vol. 12, No. 8, PP.985-994.

33)   Hall, M. A., (2000), “Correlation-Based Feature Selection for Discrete and Numeric Class Machine Learning”.In Proceedings of The Seventeenth International Conference on Machine Learning (June 29 - July 02). P. Langley, Ed. Morgan Kaufmann Publishers, San Francisco, CA, PP. 359-366.

34)   Hall, M. A., (1999), “Correlation-Based Feature Selection for Machine Learning”. Ph.D Thesis, University of Waikato.

35)   Hoglund, H., (2012), “Detecting Earnings Management Using Neural Networks”.Expert Systems with Applications, Vol. 39, No. 10, PP. 9564-9570.

36)   Hu, Y.C., (2010), “Analytic Network Process for Pattern Classification Problems using Genetic Algorithms”. Information Sciences, Vol. 180, PP. 2528–2539.

37)   Hung, C., and J. Chen., (2009), “A Selective Ensemble Based on Expected Probabilities for Bankruptcy Prediction”. Expert Systems with Applications, Vol. 36, pp. 5297–5303.

38)   Kanas, A., and A. Yannopoulos., (2001), “Comparing Linear and Nonlinear Forecasts for Stock Returns”. International Review of Economics and Finance, Vol. 10, PP. 383-398.

39)   Kira, K., and L. A. Rendell., (1992), “A Practical Approach toFeature Selection”. Proceedings of International Conference on Machine Learning, PP. 249 -256.

40)   Kohavi, R. (1995). “A Study of Cross-Validation and Bootstrap for Accuracy Estimation and Model Selection”, IJCAI'95 Proceedings of The 14th International Joint Conference on Artificial Intelligence, PP. 1137-1143.

41)   Kothari, S. P., (2001), “Capital Markets Research in Accounting”. Journal of Accounting and Economics, Vol. 31, PP. 105-231.

42)   Koprinskaa, I.; Ranaa, M.; and V. G. Agelidisb., (2015), “Correlation and instance based feature selection for electricity load forecasting. Knowledge-Based Systems”, Vol. 82, PP. 29–40.

43)   Lee, M. C., and C. To., (2010), “Comparison of Support Vector Machine and Back Propagation Neural Network in Evaluating the Enterprise Financial Distress”. International Journal of Artificial Intelligence & Applications, Vol. 1, No.3, PP. 31-43.

44)   Lindenbaum, M., Markovitch, S., and D. Rusakov., (2004),“Selective Sampling for Nearest Neighbor Classifiers”. Machine Learning, Vol. 2, PP. 125-152.

45)   Liu, H., and S.Huang,. (2010), “Integrating GA with Boosting Methods for Financial Distress Predictions”. Journal of Quality, Vol. 17, No. 2, PP.131-157.

46)   Lo, S. C., (2010), “The Effects of Feature Selection and Model Selection on The Correctness of Classification”. Proceedings of the 2010 IEEE IEEM, PP. 989-993.

47)   McMillan, D. G., (2007), “Non-Linear Forecasting of Stock Returns: Does Volume Help?”. International Journal of Forecasting, Vol. 23, PP. 115-126.

48)   Mendes-Moreia, J., Soares, C., Jorge, A. M., and J. F. D. Sousa., (2012), “Ensemble Approaches for Regression: A Survey”. ACM Computing Surveys, Vol. 45, No. 1, PP. 10- 40.

49)   Min, J. H., and Y. Lee., (2005), “Bankruptcy Prediction Using Support Vector Machine with Optimal Choice of Kernel Function Parameters”. Expert Systems with Applications, Vol. 28, PP. 603–614.

50)   Mramor, D., and M. Pahor., (1998), “Testing Nonlinear Relationship between Excess Rate of Return on Equity and Financial Rations”. 23rd Meeting of the EURO Working Group on Financial Modelling, PP. 119-134.

51)   Mramor, D., and N. Mramor-Kosta., (1997), “Accounting Ratios as Factors of Rate of Return on Equity”. New Operational Approaches for Financial Modelling, Physica -Verlag Heidelberg, PP. 335-348.

52)   Mukkamala, S., Sung, A. H., Ribeiro, B., and A. Vieira., (2006), “Computational Intelligent Techniques for Financial Distress Detection”. Journal of Computational Intelligence Research, Vol. 2, No. 1, PP. 60-65.

53)   Olson, D., and C. Mossman., (2003), “Neural Network Forecasts of Canadian Stock Returns Using Accounting ratios”. International Journal of Forecasting, Vol. 19, PP. 453–465

54)   Omran, M., and A. Ragab., (2004), “Linear Versus Non-Linear Relationships between Financial Ratios and Stock Returns: Empirical Evidence from Egyptian Firms”. Review of Accounting and Finance, Vol. 3, No. 2, PP.84-102.

55)   Pinto, J., Henry, E., Robinson, T. R., and J. D. Stowe., (2010), “Equity Asset Valuation”. 2 th Edition. John Wiley & Sons,.

56)   Ravi Kumar, P., and V. Ravi., (2007), “Bankruptcy Prediction in Banks and Firms Via Statistical and Intelligent Techniques - A Review”. European Journal of Operational Research, Vol. 180, PP. 1-28.

57)   Robnik-Sikonja, M., and I. Kononenko., (1997), “An Adaptation of Relief for Attribute Estimation in Regression”. Machine Learning, Proceedings of 14th International Conference on Machine Learning (ICML'97), PP. 296–304.

58)   Roll. R., (1997), “A Critique of The Asset Pricing Theory's Tests Part I: On Past and Potential Testability of The Theory”. Journal of Financial Economics. Vol. 4, No. 2, PP. 129-176.

59)   Setayesh, M. H., Kazemnezhad, M., Nikouei, M. A., and S. Azadi., (2012), “The Effectiveness of Fuzzy-Rough Set Feature Selectionin The Prediction of Financial Distress: A Case of Iranian Context”. Wulfenia Journal, Vol. 19, No. 10, PP. 268-287.

60)   Smith, K., and J. Gupta., (2002), “Neural Networks in Business: Techniques and Applications”. Idea Group Publishing,

61)   Stambaugh, R., (1982), “On the Exclusion of Assets from Tests of The Two-Parameter Model: A Sensitivity Analysis”. Journal of Financial Economics, Vol. 10, No. 3, PP. 237-268.

62)   Sun, Z., (2004), "PEG Ratios and Stock Returns”. Ph.D Thesis, University of Toronto.

63)   Tsai, C., (2009), “Feature Selection in Bankruptcy Prediction”. Knowledge-Based Systems, Vol. 22, PP. 120–127.

 

 

 

یادداشت‌ها