تشکیل پرتفوی سهام با استفاده از مدل تحلیل ممیز قطری درجه دو و وزن دهی بر اساس احتمال پسین

محورهای موضوعی : مهندسی مالی

سعید فلاح پور ¹ , حسین پیرایش شیرازی نژاد ²

1 - استادیار دانشکده مدیریت دانشگاه تهران، تهران، ایران
2 - کارشناس ارشد مهندسی مالی، دانشگاه تهران، تهران، ایران

تاریخ دریافت : 1396/06/14 تاریخ پذیرش : 1396/09/15 تاریخ انتشار : 1397/01/01

کلید واژه: ماشین بردار پشتیبان, انتخاب ویژگی, طبقه‌بندی, تحلیل ممیز, احتمال پسین,

چکیده مقاله :

پیش‌بینی بازدهی سهام از مهم‌ترین مسائل سرمایه‌گذاری در اوراق بهادار است از طرفی، با توجه به اینکه بازار سهام، سیستمی غیرخطی و آشوب گونه که تحت تأثیر شرایط سیاسی، اقتصادی و غیره هست لذا پیش‌بینی بازدهی نیازمند ابزارهای هوشمند و پیشرفته‌ای همچون ماشین‌های یادگیرنده است. در این تحقیق هدف اصلی تفکیک سهام به دو طبقه پربازده و کم بازده و تشکیل پرتفوی است که بدین منظور از تحلیل ممیز قطری درجه دوم و ماشین بردار پشتیبان و همچنین برای گزینش بهترین متغیرها جهت پیش‌بینی طبقه بازدهی از روش انتخاب ویژگی متوالی استفاده شده است. برای هر مدل در حالتی که وزن سهم‌ها برابر است بر اساس پیش‌بینی طبقه بازدهی هر سهم طی سال‌های 88-91 پرتفوی تشکیل داده شده است که نتایج رضایت بخش بوده و همه پرتفوی های تشکیل شده بازدهی بیشتر از بازدهی پرتفوی معیار داشتند. برای مدل تحلیل ممیز با انتخاب ویژگی،‌ از احتمال پسین جهت وزن دهی استفاده و با پرتفوی معیار مقایسه شد که نتایج دلالت بر وجود تفاوت معنادار بین بازدهی دو پرتفوی و برتری پرتفوی مدل تحلیل ممیز دارد.

چکیده انگلیسی:

Stock return forecasting is one of the most important question for investing in Stock markets. Because of the effects of policy, economic, etc., we need moderns and intelligent models to forecast the returns. The main idea in this research is classifying the stocks into high and low return groups, for this purpose support vector machine (SVM) was used. To elect the best variables for models we used sequential feature selection and in order to evaluate the accuracy of SVM we do the same forecasting with diagonal quadratic discriminant analysis (DQDA). By using paired t-test, we conclude that models have no significant difference. Equal weighted portfolios were created for each models with and without feature selection also, we used posterior probability to weight the portfolio of DQDA with feature selection. The returns were calculated for each portfolio during the years 1388-1391. The simulating results are satisfying and all portfolios’ returns are better than market portfolio.