پیش بینی بازده سهام بر پایه توزیع کرنل و اختلاط توزیع های نرمال

محورهای موضوعی : مهندسی مالی

غلامرضا زینلی ¹ (گروه حسابداری، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران.)
نرگس یزدانیان ² (گروه حسابداری ،واحد رودهن،دانشگاه آزاد اسلامی ، رودهن ، ایران)

تاریخ دریافت : 1399/09/09 تاریخ پذیرش : 1399/10/09 تاریخ انتشار : 1400/04/01

کلید واژه: پیش‌بینی بازده, اختلاط نرمال, تقریب کرنل,

چکیده مقاله :

مدل‌سازی و پیش‌بینی بازده سهام همواره یکی از چالش‌های پیش روی محققان و سرمایه‌گذاران بوده است. از این رو روش‌ها و مدل‌های متفاوتی ارائه شده که اغلب آنها متکی بر مفروضاتی چون توزیع بازده بوده‌اند. در پژوهش حاضر پیش‌بینی بازده سهام بر پایه توزیع کرنل و اختلاط توزیع‌های نرمال مورد ارزیابی قرار گرفت. برای این منظور توابع کرنل و اختلاط نرمال‌ها و پارامترهای مربوط به آنها از طریق ماکسیمم‌سازی تابع درستنمایی، مورد برآورد قرار گرفته و چندک‌های 99%، 95% و 90% هریک از توزیع‌ها برای 30 شرکت برتر بورس در سه ماهه چهارم سال 1398 به عنوان مقادیر پیش‌بینی بازده محاسبه گردید. به منظور تعیین دقت روش‌های پیش‌بینی معیارهای خطای MSE و PRED بکار گرفته شد و نتایج نشان داد که اختلاط توزیع‌های نرمال و تقریب کرنل هر دو از طریق چندک 90% توزیع بازده می‌توانند پیش‌بینی‌های مطلوبی از بازده‌های 5 روزه سهام ارائه دهند. مقایسه دقت این دو روش نشان داد تقریب کرنل به عنوان یک روش ناپارامتری پیش‌بینی بازده، دقت بالاتری نسبت به اختلاط توزیع‌های نرمال در پیش‌بینی داشته است.

چکیده انگلیسی:

Modeling and predicting stock returns has always been one of the challenges for researchers and investors. Hence, different methods and models have been proposed, most of which have been based on assumptions such as the distribution of returns. The kernel distribution and mixture of normal distributions were examined to predict stock return in the present study. To this end, kernel functions and mixtures of normal distributions and related parameters have been estimated using maximization of likelihood function and quartiles 99%, 95% and 90% were computed for each of distributions and for 30 superior enterprises listed in Tehran Security and Exchange (TSE) at first quarter in 2019 as predictor values of stock return. In order to determine precision of prediction methods, MSE and PRED error criteria were employed and the findings showed that mixture of normal distributions and kernel approximation might propose favorable predictions for 5-day stock returns in quartiles 90% of return distribution. Comparison of precision between two methods indicated that kernel approximation, as a non parametric method for prediction of returns, leads to higher precision than mixture of normal distributions.