بکارگیری تکنیک "تحلیل مولفه‌های اصلی" در داده‌کاهی متغیرهای مؤثر بر بازده سهام

محورهای موضوعی : حسابداری مالی و حسابرسی

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.

تاریخ دریافت : 1396/10/04 تاریخ پذیرش : 1396/12/07 تاریخ انتشار : 1397/02/01

کلید واژه: بازده سهام, تحلیل مولفه‌های اصلی, واژه‌های کلیدی: همخطی, متغیرهای مؤثر بر بازده,

چکیده مقاله :

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