پیش‌بینی تلاطم شاخص قیمت بورس اوراق بهادار تهران: به‌کارگیری مدل‌های یادگیری ماشین
شهرام فتاحی
1
(
گروه اقتصاد، دانشگاه رازی، کرمانشاه، ایران
)
عباس افلاطونی
2
(
گروه حسابداری، دانشکدۀ علوم اقتصادی و اجتماعی، دانشگاه بوعلی سینا، همدان، ایران
)
لیلی نیکبخت
3
(
گروه اقتصاد، دانشگاه رازی، کرمانشاه، ایران
)
کلید واژه: شوک قیمت نفت, شوک نرخ ارز, تلاطم شاخص, یادگیری ماشین, پیش‌بینی,
چکیده مقاله :
این پژوهش به دنبال بررسی اثر شوک‌های افزایشی و کاهشی قیمت نفت و نرخ ارز بر تلاطم شاخص قیمت بورس اوراق بهادار تهران و پیش‌بینی تلاطم است. در این راستا، هشت روش مجزا شامل رگرسیون خطی چندگانه (MLR)، رگرسیون لاسو (LASSO)، رگرسیون بردار پشتیبان (SVR)، شبکه عصبی مصنوعی (ANN)، شبکه عصبی بازگشتی (RNN)، حافظۀ کوتاه‌مدت طولانی (LSTM)، واحد بازگشتی دروازه‌ای (GRU) و واحد بازگشتی دروازه‌ایِ دوسویه (BiGRU) به‌کار رفته‌اند. افزون بر آن، نتایج هشت روش فوق با استفاده از چهار رویکرد میانگین، میانه، میانگین پیراسته و رویکرد میانگین مجذور خطاهای تنزیلی (DMSFE) با ضرایب تنزیل 1 و 9/0 ترکیب گردیده و نتایج روش‌های مجزا و ترکیبی، با استفاده از دو معیار میانگین مجذور خطاها و ضریب تعیین، مقایسه شده‌اند. نتایج بیانگر آن است که شوک‌های کاهشی قیمت نفت و شوک‌های افزایشی و کاهشی نرخ ارز، پیش‌بینی کننده‌های خوبی برای تلاطم شاخص قیمت بورس اوراق بهادار تهران هستند. مقایسۀ روش‌های مجزا نشان می‌دهد که در پیش‌بینی درون‌نمونه‌ای، دو روش GRU و BiGRU و در پیش‌بینی برون‌نمونه‌ای، روش‌های ANN و GRU نسبت به سایر روش‌ها از عملکرد بهتری برخوردارند. به‌علاوه، یافته‌ها بیانگر آن است که ترکیب نمودن نتایج روش‌های هشت‌گانه، عموماً دقت پیش‌بینی‌ها را بهبود بخشیده و مقایسۀ نتایج ترکیبی حاکی از عملکرد بهتر رویکرد DMSFE است.
چکیده انگلیسی :
This study explores the impact of shocks in oil prices and exchange rates on the volatility of the Tehran Stock Exchange price index (TEPIX) and its prediction. To this end, eight distinct techniques were employed: multiple linear regression (MLR), least absolute value shrinkage and selection operator regression (LASSO), support vector regression (SVR), artificial neural network (ANN), simple recurrent neural network (RNN), long short-term memory (LSTM), gated recurrent unit (GRU), and Bidirectional gated recurrent unit (BiGRU). Furthermore, the outcomes of these eight methods were amalgamated using four strategies: mean, median, trimmed mean, and discounted mean square error (DMSFE) approach with discount coefficients of 1 and 0.9. The performance of individual and combined methods was evaluated using mean squared errors (MSE) and the coefficient of determination (R2). The findings reveal that shocks due to a decrease in oil prices and shocks in exchange rates are effective predictors of TEPIX volatility. When comparing individual methods, the GRU and BiGRU methods outperformed others in in-sample forecasting, while the ANN and GRU methods excelled in out-of-sample forecasting. Moreover, the study found that the accuracy of predictions generally improved when the results of the eight methods were combined. Among the combined results, the DMSFE approach demonstrated superior performance.
ادیب پور، مهدی. (1395). سنجش تأثیر نااطمینانی نرخ ارز بر شاخص قیمت سهام شرکت‌های صنعتی پذیرفته‌شده در بورس اوراق بهادار. پژوهشنامه اقتصاد کلان، 11(22)، 131-105.
امین خرازیان، نسیم؛ آل عمران، رویا؛ برادران حسن‌زاده، رسول و فرهنگ، امیرعلی. (1401). رابطه قیمت نفت و شاخص بازار سهام ایران (تاکید بر نااطمینانی سیاسی و پاندمی کرونا). مدلسازی اقتصادی، 58(16)، 49-37.
بخشانی، صفیه. (1394). بررسی تأثیر تغییرات نرخ ارز بر قیمت سهام و نسبت P/E با استفاده از SEM-PLS. سیاست‌های مالی واقتصادی، ۳(۱۲)، 164-149.
پایتختی اسکویی، سیدعلی و شافعی، احسان. (1394). بررسی تأثیر نوسانات قیمت نفت بر تغییرات شاخص قیمت سهام (بازده سهام) در ایران: رویکرد مدل خودتوضیح برداری ساختاری. مطالعات اقتصاد انرژي، ۱۱(۴۷)، 240-205.
جلایی، سید عبدالمجید؛ رحیمی‌پور، اکبر و میر، هدیه. (1394). بررسی تأثیر شوک‌های ارزی بر بازدهی سهام در بورس اوراق بهادار تهران. جستارهای اقتصادی ایران با رویکرد اقتصاد اسلامی، 12(23)، 162-135.
حیدرپور، فرزانه؛ زارع رفیع، سمیه. (1393). تاثیر متغیرهای سود تقسیمی و فرصت‌های رشد بر رابطه کیفیت گزارشگری مالی و نوسان پذیری بازده سهام. پژوهش‌های حسابداری مالی و حسابرسی، 6(22)، 247-213.
داراب ملک‌آبادی، سعید. (1402). انتقال و انتشار شوک نفت در بازار سهام کشورهای صادرکننده عمده نفت: درس‌هایی از ایران. برنامه‌ریزی و بودجه، در حال نشر.
رستمی، ژیلا؛ فتاحی، شهرام و سهیلی، کیومرث. (1402). مدلسازی و تخمین بازده بورس اوراق بهادار تهران با استفاده از مدل‌های پویا. اقتصاد مالی، 17(1)، 216-185.
سرگل‌زایی، علی؛ صالح‌نیا، نرگس؛ همایونی‌فر، مسعود و ذبیحی، سید محمد قائم. (1402). آیا نااطمینانی قیمت نفت، شاخص بورس اوراق بهادار تهران را تحت‌تأثیر قرار می‌دهد؟ رویکرد رگرسیون کوانتایل مبتنی بر تبدیل موجک. اقتصاد مالی، 17(4)، 50-25.
شهبازی، کیومرث؛ رضایی، ابراهیم و صالحی، یاور. (1392). تأثیر شوک‌های قیمت نفت بر بازدهی سهام در بورس اوراق بهادار تهران: رهیافت SVAR. دانش مالی تحلیل اوراق بهادار، 6(18)، 136-125.
طاهری، حامد و صارم صفاری، میلاد. (1390). بررسی رابطه بین نرخ ارز و شاخص قیمت بورس اوراق بهادار تهران: با استفاده از رویکرد ARDL. فصلنامه روند، 19(60)، 79-63.
عباسی، ابراهیم؛ هادی‌نژاد، منیژه و کریمی، جعفر. (1394). بررسی اثرات نامتقارن نوسانات قیمت نفت بر روی بازار سهام بورس اوراق بهادار تهران (با استفاده از مدل MS-EGARCH). فصلنامه روند، 22(72)، 127-106.
عباسیان، عزت اله؛ مرادپوراولادی، مهدی و عباسیون، وحید. (1387). اثر متغیرهای کلان اقتصادی بر شاخص کل بورس اوراق بهادار تهران. پژوهش‌های اقتصادی ایران، 12(36)، 152-135.
فطرس، محمدحسن و هوشیدری، مریم. (1397). ارتباط‌های پویا بین قیمت نفت، قیمت طلا و نرخ ارز با شاخص سهام بورس اوراق بهادار تهران. مطالعات اقتصاد انرژي، ۱۴(۵۸)، 116-89.
فکاری سردهایی، بهزاد؛ صبوحی، محمود و شاهپوری، احمدرضا. (1397). بررسی آثار تغییرات قیمت نفت خام بر شاخص بورس اوراق بهادار تهران: کاربرد الگوی M-GARCH رهیافت BEKK. تحقیقات اقتصادی، 53(2)، 407-387.
کریم‌زاده، مصطفی. (1385). بررسی رابطه بلندمدت شاخص قیمت سهام بورس با متغیرهای کلان پولی با استفاده از روش همجمعی در اقتصاد ایران. پژوهش‌های اقتصادی ایران، 8(26)، 54-41.
محبوبی، هادی؛ دامن‌کشیده، مرجان؛ مومنی وصالیان، هوشنگ؛ نصابیان، شهریار. (1402). تأثیر شاخص‌های کلان اقتصادی بر نوسانات بازده سهام. پژوهش‌های حسابداری مالی و حسابرسی، 15(59)، 218-199.
محرابیان، آزاده و چگنی، ایلناز. (1393). اثر نرخ ارز و نوسانات آن بر شاخص قیمت سهام در ایران. اقتصاد کاربردی، 4(13)، 78-65.
محمدی، الهام؛ برخورداری، سجاد و مهرآرا، محسن. (1403). بررسی تأثیر نرخ ارز بر رفتار رمه‌ای در بورس اوراق بهادار تهران: کاربردی از رویکرد FAVAR. تحقیقات اقتصادی، 59(1)، 149-117.
محمدی، تیمور؛ قاسمی، عبدالرسول؛ تکلیف، عاطفه و صادقین، علی. (1400). تحلیل نوسانات دائمی و موقت قیمت نفت برنت و صنایع وابسته به آن با بازارهای طلا و ارز: کاربردی از رویکرد شبکه. اقتصاد مالی، 15(3)، 115-89.
مدرس، احمد، لیلی‌پور، کامران، و حمشی، محسن. (1397). تأثیر اعلام سهام شناور بر حجم معاملات, نوسان پذیری و بازده سهام. پژوهش‌های حسابداری مالی و حسابرسی، 10(39)، 236-219.
مولایی، صابر؛ واعظ برزانی، محمد؛ صمدی، سعید و پرورده، افشین. (1396). تحلیل رابطه بین بازار ارز و شاخص قیمت بورس اوراق بهادار تهران: رویکرد ناپارامتریک و کاپولا. تحقیقات اقتصادی، 52(2)، 476-457.
میرهاشمی دهنوی، سید محمد؛ سلیمی‌فر، مصطفی و فلاحی، محمد علی. (1394). بررسی آثار نامتقارن شوک‌های قیمت نفت بر شاخص قیمت سهام بورس اوراق بهادار ایران. اقتصاد پولی مالی، 22(9)، 56-29.
نجارزاده، رضا؛ آقایی خوندابی، مجید و رضایی‌پور، محمد. (1388). بررسی تاثیر نوسانات شوک‌های ارزی و قیمتی بر شاخص قیمت سهام بورس اوراق بهادار تهران با استفاده از رهیافت خودرگرسیون برداری. پژوهش‌های رشد و توسعه پایدار (پژوهش‌های اقتصادی)، 9(1)، 175-147.
واحدی، اصغر؛ ابونوری، اسمعیل؛ ملک‌زاده، پرویز. (1402). اثر شوک قیمت نفت بر بازدهی بازار سهام ایران با استفاده از مدل چندک بر چندک. پژوهشنامه اقتصاد انرژی ایران، در حال نشر.
هوشمندی، سمن؛ حسینی، سید شمس‌الدین؛ معمارنژاد، عباس و غفاری، فرهاد. (1400). اثر نوسانات ارزی بر شاخص قیمتی فرآورده‌های نفتی در بورس اوراق بهادار تهران با استفاده از مدل MS-VAR. اقتصاد پولی مالی، 28 (پیاپی 22)، 177-153.
Ahmed, A. D., & Huo, R. (2021). Volatility transmissions across international oil market, commodity futures and stock markets: Empirical evidence from China. Energy Economics, 93, 104741.
Anastasiadis, A. D., Magoulas, G. D., & Vrahatis, M. N. (2005). New globally convergent training scheme based on the resilient propagation algorithm. Neurocomputing, 64, 253-270.
Beyca, O. F., Ervural, B. C., Tatoglu, E., Ozuyar, P. G., & Zaim, S. (2019). Using machine learning tools for forecasting natural gas consumption in the province of Istanbul. Energy Economics, 80, 937-949.
Cao, J., & Wang, J. (2020). Exploration of stock index change prediction model based on the combination of principal component analysis and artificial neural network. Soft Computing, 24, 7851-7860.
Chang, H. W., & Chang, T. (2023). How oil price and exchange rate affect stock price in China using Bayesian Quantile_on_Quantile with GARCH approach. The North American Journal of Economics and Finance, 64, 101879.
García Cabello, J. (2022). Mathematical neural networks. Axioms, 11(2), 80.
Hashmi, S. M., Ahmed, F., Alhayki, Z., & Syed, A. A. (2022). The impact of crude oil prices on Chinese stock markets and selected sectors: evidence from the VAR-DCC-GARCH model. Environmental Science and Pollution Research, 29(35), 52560-52573.
Huang, S., Liu, C., & Zhang, Y. (2023). Chinese text sentiment analysis based on BERT-BiGRU fusion gated attention. American Journal of Computer Science and Technology, 6(2), 50–56.
Jin, D., He, M., Xing, L., & Zhang, Y. (2022). Forecasting China's crude oil futures volatility: How to dig out the information of other energy futures volatilities? Resources Policy, 78, 102852.
Kilian, L., & Vigfusson, R. J. (2013). Do oil prices help forecast US real GDP? The role of nonlinearities and asymmetries. Journal of Business & Economic Statistics, 31(1), 78-93.
Li, C., & Qian, G. (2022). Stock price prediction using a frequency decomposition based GRU transformer neural network. Applied Sciences, 13(1), 222.
Li, S., Tian, Z., & Li, Y. (2023). Residual long short-term memory network with multi-source and multi-frequency information fusion: An application to China's stock market. Information Sciences, 622, 133-147.
Lin, Y., Lu, Q., Tan, B., & Yu, Y. (2022). Forecasting energy prices using a novel hybrid model with variational mode decomposition. Energy, 246, 123366.
Mahmoodzadeh, A., Nejati, H. R., Mohammed, A. H., Mohammadi, M., Ibrahim, H. H., Rashidi, S., & Ali, H. F. H. (2023). Prediction of minimum horizontal stress in oil wells using recurrent neural networks. Geo-energy Science and Engineering, 223, 211560.
Manner, H., Rodríguez, G., & Stöckler, F. (2024). A change-point analysis of exchange rate and commodity price risks for Latin American stock markets. International Review of Economics & Finance, 89, 1385-1403.
Poitras, M. (2004). The impact of macroeconomic announcements on stock prices: in search of state dependence. Southern Economic Journal, 70(3), 549-565.
Sánchez García, J., & Cruz Rambaud, S. (2023). Volatility spillovers between oil and financial markets during economic and financial crises: A dynamic approach. Journal of Economics and Finance, 47(4), 1018-1040.
Sarwar, S., Tiwari, A. K., & Tingqiu, C. (2020). Analyzing volatility spillovers between oil market and Asian stock markets. Resources Policy, 66, 101608.
Smola, A. J., & Schölkopf, B. (2004). A tutorial on support vector regression. Statistics and Computing, 14, 199-222.
Song, Y., & Wang, Y. (2023). A big-data-based recurrent neural network method for forest energy estimation. Sustainable Energy Technologies and Assessments, 55, 102910.
Wang, J., Wang, X., & Wang, X. (2024). International oil shocks and the volatility forecasting of Chinese stock market based on machine learning combination models. The North American Journal of Economics and Finance, 70, 102065.
Wang, T., Fu, L., Zhou, Y., & Gao, S. (2022). Service price forecasting of urban charging infrastructure by using deep stacked CNN-BiGRU network. Engineering Applications of Artificial Intelligence, 116, 105445.
Wei, Y., Yu, B., Guo, X., & Zhang, C. (2023). The impact of oil price shocks on the US and Chinese stock markets: A quantitative structural analysis. Energy Reports, 10, 15-28.
Wong, H. T. (2022). The impact of real exchange rates on real stock prices. Journal of Economics, Finance and Administrative Science, 27(54), 262-276.
Zhang, S., Luo, J., Wang, S., & Liu, F. (2023). Oil price forecasting: A hybrid GRU neural network based on decomposition-reconstruction methods. Expert Systems with Applications, 218, 119617.
Zhang, Y., Ma, F., & Wang, Y. (2019). Forecasting crude oil prices with a large set of predictors: Can LASSO select powerful predictors? Journal of Empirical Finance, 54, 97-117.