پیش بینی بازدهی سهام در سطح شرکت: کاربردی از پیوند مدل های قیمت گذاری دارایی و عوامل اقتصادی
پیش بینی بازدهی سهام در سطح شرکت: کاربردی از پیوند مدل های قیمت گذاری دارایی و عوامل اقتصادی
الموضوعات :
مریم بهمنی
1
,
محمدابراهیم پورزرندی
2
,
مهرزد مینویی
3
1 - گروه مدیریت صنعتی ، واحد تهران مرکزی ، دانشگاه آزاد اسلامی ، تهران ، ایران
2 - گروه مدیریت صنعتی ، واحد تهران مرکزی ، دانشگاه آزاد اسلامی ، تهران ، ایران
3 - گروه مدیریت صنعتی ، واحد تهران مرکزی ، دانشگاه آزاد اسلامی ، تهران ، ایران
الکلمات المفتاحية: بازدهی سهام, عوامل اقتصادی, مدل های قیمت گذاری دارایی,
ملخص المقالة :
این تحقیق در راستای پیش‌بینی بازدهی سهام در سطح شرکت: کاربردی از پیوند مدل‌های قیمت-گذاری دارایی و عوامل اقتصادی، در 130 شرکت منتخب پذیرفته شده در بورس اوراق بهادار تهران در بازه زمانی 1391 تا 1398 به انجام رسیده است. در این تحقیق سعی گردیده است تا با تلفیقی از الگوی چند عامله و الگوی پژوهش، جهت پیش بینی عملکرد آتی الگویی پیشنهاد گردد. نتایج نشان داد که 1) ناهنجاری‌های در بازده سهام مورد ارزیابی قرار گرفت و با توجه به نتایج به دست آمده مبتنی بر آزمون گیبونز، تنها الگوی مبتنی بر الگوی پیشنهادی پژوهش است که بر خلاف الگوهای چند عامله(تک، سه، چهار و پنج عامله) قادر به تبیین ناهنجاری‌های در بازده سهام است. 2) به علت پیچیدگی و در تعارض در روابط بین متغیرهای توضیحی و عملکرد آتی، قدرت تبیین الگوی پیشنهادی پژوهش در پیش‌بینی ناهنجاری‌های در اقلام تعهدی و هزینه‌های تحقیق و توسعه به ارزش شرکت، ضعیف‌تر از الگوهای چند عاملی بوده که استفاده از الگوی تلفیقی پژوهش(استفاده از سودآوری، بازده مبتنی بر پایین‌ترین و بالاترین قیمت)، الگوی پیشنهادی قدرت تبیین بهتری در این زمینه نشان داده است.
_|1) Ahmadkhani, Massoud, Abdul Rahimian, Mohammad Hossein, Mirjafari Ardakani, Seyed Ahmad, (2018). Investigating the relationship between investment factors and performance and stock returns of companies listed on the Tehran Stock Exchange, Shabak, No. 44, pp. 26-33
2) Azhdari, Fatemeh, Rahnama Roudpashti, Fereydoun, Hamidian, Mohsen, Jafari, Sayedah Mehbobeh, Baghani, Ali, (2018). Selection of stock portfolio for investment and identification of top companies with L limit method and using machine learning method, financial management strategy, published online from July 16, 2018.
3) Chen, Tai-liang, and Feng-yu Chen. 2016. An intelligent pattern recognition model for supporting investment decisions in stock market. Information Sciences 346: 261–74
4) Di Persio, Luca, and Oleksandr Honchar. 2017. Recurrent Neural Networks Approach to the Financial Forecast of Google Assets. International Journal of Mathematics and Computers in simulation 11: 7–13.
5) Ghosh, I., & Chaudhuri, T. D. (2021). FEB-stacking and FEB-DNN models for stock trend prediction: a performance analysis for pre and post covid-19 periods. Decision Making: Applications in Management and Engineering, 4(1), 51-84.
6) Hossain, Mohammad Asiful, Rezaul Karim, Ruppa K. Thulasiram, Neil D. B. Bruce, and Yang Wang. 2021. Hybrid Deep Learning Model for Stock Price Prediction. Paper presented at the 2018 IEEE Symposium Series on Computational Intelligence (SSCI), Bangalore, India, November 18–21.
7) Kim, Sang, Hee Soo Lee, Hanjun Ko, Seung Hwan Jeong, Hyun Woo Byun, and Kyong Joo Oh. 2018. Pattern Matching Trading System Based on the Dynamic Time Warping Algorithm. Sustainability 10: 4641.
8) Lev, Dongdong, Shuhan Yuan, Meizi Li, and Yang Xiang. 2019. An Empirical Study of Machine Learning Algorithms for Stock Daily Trading Strategy. Mathematical Problems in Engineering.
9) Olson, D., & Mossman, C. (2003). Neural network forecasts of Canadian stock returns using accounting ratios. International Journal of Forecasting, 19(3) , 453–466.
10) Pai, P.-F., & Lin, C. –S. (2005). A Hybrid ARIMA and support vector machines model in stock price forecasting. Omega, 33(6), 497–505.
11) Roy, R., & Shijin, S. (2018). A six-factor asset pricing model. Borsa Istanbul Review, 18(3), 205-217.
12) Seng, Jia-Lang, and Hsiao-Fang Yang. 2021. The association between stock price volatility and financial news—A sentiment analysis approach. Kybernetes 46: 1341–65.
13) Shah, D., Isah, H., & Zulkernine, F. (2021). Stock market analysis: A review and taxonomy of prediction techniques. International Journal of Financial Studies, 7(2), 26.
14) Xu, Yumo, and Shay B. Cohen. 2018. Stock movement prediction from tweets and historical prices. Paper Presented at the 56th Annual Meeting of the Association for Computational Linguistics, Melbourne, Australia, July 15–20.
15) Yang, Bing, Zi-Jia Gong, and Wenqi Yang. 2017. Stock Market Index Prediction Using Deep Neural Network Ensemble. Paper Presented at the 2017 36th Chinese Control Conference (CCC), Dalian, China, July 26–28.
16) Zhang, Jing, Shicheng Cui, Yan Xu, Qianmu Li, and Tao Li. 2018. A novel data-driven stock price trend prediction system. Expert Systems with Applications 97: 60–69.
17) Zorin, A., & Borisov, A. (2002). Modelling Riga Stock Exchange Index using neural networks. http://overcite.lcs.mit.edu/cache/papers/cs/26702/http:zSzzSzdssg. cs.rtu.lvzSzenzSzpublicationszSz.zSz.zSzdownloadzSzpublicationszSz2002zSzZorins-RA-2002.pdf/zorin02modelling.pdf.
|_
