بکارگیری تکنیک "تحلیل مولفه‌های اصلی" در داده‌کاهی متغیرهای مؤثر بر بازده سهام
الموضوعات :اعظم مهتدی 1 , رضوان حجازی 2 , سید علی حسینی 3 , منصور مومنی 4
1 - - دانشجوی دکتری حسابداری دانشگاه الزهراء (س)، دانشکده علوم اجتماعی و اقتصادی ،تهران و عضو هیأت علمی دانشگاه پیام نور بوشهر، دانشکده اقصاد ، حسابداری و مدیریت ، بوشهر، ایران
2 - استاد گروه حسابداری، دانشگاه الزهراء (س)، دانشکده علوم اجتماعی و اقتصادی، تهران، ایران
3 - استادیار گروه حسابداری، دانشگاه الزهراء (س)، دانشکده علوم اجتماعی و اقتصادی ، تهران، ایران.
4 - استاد گروه حسابداری، دانشکده مدیریت دانشگاه تهران، تهران، ایران.
الکلمات المفتاحية: بازده سهام, تحلیل مولفه‌های اصلی, واژه‌های کلیدی: همخطی, متغیرهای مؤثر بر بازده,
ملخص المقالة :
این مقاله با هدف مواجهه با پدیده همخطی به موضوع داده‌کاهی متغیرهای مؤثر بر بازده سهام می‌پردازد. تمرکز این مقاله بر روی روش "تحلیل مولفه‌های اصلی" است. ابتدا با مطالعه عمیق ادبیات حرفه در داخل و خارج از کشور، 47 متغیر به عنوان متغیرهای مؤثر بر پیش‌بینی بازده سهام، شناسایی شدند. متغیرهای مذکور برای 68 شرکت واجد شرایط، استخراج و سپس روش "تحلیل مولفه‌های اصلی" بر روی آن‌ها اجرا شد. نتایج تحقیق نشان داد می‌توان با استفاده از این تکنیک از حجم داده‌های مربوط به پیش‌بینی سهام کم کرد و همخطی بین متغیرها مذکور را بدون آنکه نیاز به حذف برخی از آن‌ها باشد از بین برد. به طور خاص پس از اعمال این روش 27 متغیر مؤثر بر بازده سهام، به 5 مؤلفه مستقل تبدیل شدند تا ضمن کم شدن از حجم داده‌ها، همخطی بین متغیرها نیز اصلاح شود. Abstract With the aim to deal with the phenomenon of collinearity between variables affecting stock's returns, this article concerned with Data reduction subject. The focus of the article is on "principal components analysis" method. First with a vast study of national and international literature, 47 variables were identified as the variables affecting stock's return's prediction. These variables extracted for 68 eligible companies and then the method was applied. The results showed by using this technique the volume of initial data set, can be reduced and collinearity between variables; without eliminating some of them; can be resolved. Specifically, after applying these method 27 variables affecting stock's returns converted to 5 principle components and while reducing the volume of data set, the collinearity between them was modified
1) برزگری خانقاه، جمال و زهرا جمالی، (1395)، "پیش‌بینی بازده سهام با استفاده از نسبت‌های مالی"، کنکاشی در پژوهش‌های اخیر، پژوهش حسابداری، 6 (1)، صص 71-92
2) افلاطونی، عباس، (1395)، "تحلیل آماری در پژوهش‌های مالی و حسابداری با نرم افزار STATA"، انتشارات ترمه، چاپ اول
3) ستایش، محمد حسین و مصطفی کاظم نژاد، (1395)، "سودمندی رگرسیون‌های تجمیعی و روش انتخاب متغیر پیش‌بین بهینه در پیش‌بینی بازده سهام"، پژوهش‌های حسابداری مالی و حسابرسی، 8 (32)، صص 1-28
4) 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.
5) نژادفهیم، سیدرضا، نرگس سهرابی و هادی موقری، (1394)، "پیش بینی بازده سهام با استفاده از روش انقباضی LASSO"، مطالعات حسابداری و حسابرسی،4(13)، صص 40-52
6) شیخ الاسلامی، عبدالرضا، فاطمه باقری خلیلی و عباس محمودآبادی، (1391)، "کاهش متغیرهای ورودی در فرآیند مدل سازی تصادفات آزادراه‌ها با استفاده از روش تجزیه و تحلیل مؤلفه اصلی"، مهندسی حمل و نقل،3(4)، صص 325-338
7) محدث، فاطمه، (1389)، "روش تحلیل مولفه‌های اساسی و بررسی عوامل: مطالعه موردی استخراج شاخص قیمت دارایی‌ها و بررسی اثر آن بر تورم"، کتابخانه بانک مرکزی، آدرس دستیابی:www.cbi.ir، دسترسی 11/95)
8) نمازی، محمد و نورالدین رسـتمی، (1385)، "بررسی رابطه بین نسبت‌های مالی و نرخ بازده سهام شرکت‌های پذیرفته شده در بورس اوراق بهادار تهران"، بررسی‌های حسابداری و حسابرسی، 44 ، صص 105-127
9) ولی زاده لاریجانی،اعظم، (1393)، "تبیین مدلی برای پیش بینی بازده سهام"، پایان نامه دکتری حسابداری دانشگاه الزهراء(س).
10) همت‌فر، محمود، سیدعلی اکبر حسینی، فرهاد شاه ویسی و یوسف نجفی، (1390)، "روابط خطی وغیرخطی بین متغیرهای حسابداری و بازده سهام شرکت‌های صنعت خودرو و ساخت قطعات"، پژوهشنامه حسابداری مالی و حسابرسی، سال 3 ، شماره 12، صص 137- 15
11) Back, A. D., & Weigend, A. S, (1997), “A First Application of Independent Component Analysis to Extracting Structure From Stock Returns”, International Journal of Neural Systems, 8(04), PP. 473-484.
12) Beaumont, R, (2012), “An Introduction to Principal Component Analysis & Factor Analysis Using SPSS 19 and R”, Virtual Classroom, ONLINE AT: Www.Floppybunny.Org/Robin/Web/Virtualclassroom/Stats/Statistics2/Pca1.Pdf (03/2015)
13) Fama, E. F., & French, K. R, (1993), “Common Risk Factors in the Returns on Stocks and Bonds”, Journal of Financial Economics, 33(1), PP. 3-56.
14) Fama, E. F., & French, K. R, (2015), “A Five Factor Asset Pricing Model”, Journal of Financial Economics, 116 (1), PP. 1-22.
15) Hargreaves, C. A., & Mani, C. K, (2015), “The Selection of Winning Stocks Using Principal Component Analysis”, American Journal of Marketing Research, 1(3), PP. 183-188.
16) Loretan, M, (1997), “Generating Market Risk Scenarios Using Principal Components Analysis: Methodological and Practical Considerations”, Federal Reserve Board, PP. 23-53.
17) Mbeledogu, N.N., Odom., Umeh, M.N, (2012), “Stock Feature Extraction Using Principle Component Analysis”, International Conference on Computer Technology and Science. IACSIT Press, Singapore DOI: 10.7763/IPCSIT.2012.V47.44
18) Ou, J. A., & Penman, S. H, (1989), “Financial Statement Analysis and the Prediction of Stock Returns”, Journal of Accounting and Economics, 11(4), PP. 295-329.
19) Pearson, K, (1901), “On Lines And Planes of Closest Fit to Systems of Points in Space”, Philosophical Magazine, 2 (6), PP. 559–572.
20) Sorzano, C. O. S., Vargas, J., & Montano, A. P, (2014), “A Survey of Dimensionality Reduction Techniques”, Arxiv Preprint Arxiv:1403.2877.
21) Utans, J., Holt, W. T., & Refenes, A. N, (1997), “Principal Components Analysis for Modeling Multi-Currency Portfolios”, Decision Technologies for Financial Engineering (Proceedings of the Fourth International Conference on Neural Networks in the Capital Markets, NNCM-96), World Scientific, Singapore, PP. 359-368.
22) Van Der Maaten, L., Postma, E., & Van Den Herik, J, (2009), “Dimensionality Reduction: A Comparative”, Journal of Machine Learning Research, 10 (1-41), PP. 66–71.
23) Wuensch, K. L, (2012), “Principle Components Analysis”, Online at: Http://Core. Ecu.Edu/Psyc/Wuenschk/MV/FA. PCA. Doc T(03/2015)
24) Wang, Y., & Choi, I. C, (2013), “Market Index and Stock Price Direction Prediction Using Machine Learning Techniques: An Empirical Study on the KOSPI and HIS”, Arxiv Preprint Arxiv, PP. 1309-7119.
25) Wang, Z., Sun, Y., & Li, P, (2014), “Functional Principal Components Analysis of Shanghai Stock Exchange 50 Index”, Discrete Dynamics in Nature and Society.
26) Zhong, X., & Enke, D, (2017), “Forecasting Daily Stock Market Return Using Dimensionality Reduction”, Expert Systems with Applications, 67, PP. 126-139.
یادداشت‌ها
