تأثیر استفاده از استراتژی‌های معاملات کاهش ابعاد در پیش‌بینی بازده روزانه سهام روش پانل دیتا.

محورهای موضوعی : مهندسی مالی

احترام رهدارپور ¹ , حشمت اله عسگری ²

1 - دانشجوی دکتری اقتصاد، دانشکده مدیریت، اقتصاد و علوم اداری، دانشگاه سمنان، سمنان، ایران
2 - گروه اقتصاد، دانشکده ادبیات و علوم انسانی، دانشگاه ایلام، ایلام، ایران

تاریخ دریافت : 1398/06/08 تاریخ پذیرش : 1398/08/13 تاریخ انتشار : 1398/10/01

کلید واژه: داده‌های ترکیبی, استراتژی معاملاتی کاهش قیمت سهام, پیش‌بینی بازده روزانه بازار سهام, استراتژی معاملاتی کاهش حجم معاملات سهام,

چکیده مقاله :

سیستم‌های خبردهی بازده سهام با ارائه اطلاعات به‌موقع موجب تصمیم‌گیری‌های بهینه می‌گردند.پیش‌بینی سود توسط مدیریت در ارزیابی سودآوری، ریسک مرتبط با سود، قضاوت در مورد قیمت سهام و مدل‌های ارزشیابی در سطح گسترده‌ای مورداستفاده قرار می‌گیرد (مانفرد و اینکی ، 2014). هدف ما در این پژوهش این است که ، تأثیر استراتژیهای معاملاتی کاهش ابعاد بر پیش بینی بازده روزانه بازار سهام به روش منطق فازی شرکت‌ها را مورد بررسی و کاوش قرار دهیم . این پژوهش از نوع مطالعه کتابخانه‌ای و تحلیلی- علی بوده و مبتنی بر تحلیل داده‌های تابلویی (پانل دیتا) است. در این پژوهش اطلاعات مالی 19 شرکت پذیرفته‌شده در بورس اوراق بهادار تهران در طی دوره زمانی 1390 تا 1397 بررسی‌شده است. نتایج تحقیق نشان داد که استفاده از استراتژی معاملات کاهش بازده سهام و استراتژی کاهش قیمت سهام بر پیش‌بینی بازده روزانه بازار سهام تأثیرمعنی‌داری دارد ولیکن استراتژی معاملات کاهش حجم معاملات تأثیرمعنی‌داری بر پیش‌بینی بازارسهام ندارد.

چکیده انگلیسی:

Earnings forecasting systems provide timely decisions by providing timely information. Earnings forecasting by management is widely used in assessing profitability, profit-related risk, stock price judgments, and valuation models (Manfred & Inky, 2014). Our purpose in this study is to investigate and investigate the impact of dimensionality trading strategies on predicting daily stock market returns by the fuzzy logic approach of firms. This study is a library-analytic-causal study based on panel data analysis (panel data). In this study, the financial information of 19 companies listed in Tehran Stock Exchange during the period 2011-2018 was reviewed. The results showed that using stock trading strategy and stock price reduction strategy have significant effect on prediction of daily stock market returns, but trading volume reduction strategy has no significant effect on market forecasting. I hope to accept my article. I suggest the editor remove this restriction on the number of words used in the abstract for the English text.

منابع و مأخذ:

• راعی، رضا و پویان فر، احمد؛ (1389)؛ مدیریت سرمایه‌گذاری پیشرفته؛ قم، گل‌ها، چاپ چهارم.


• راعی، رضا و چاوشی، کاظم؛ (1382)؛ پیش‌بینی بازده سهام در بورس اوراق بهادار تهران: مدل شبکه‌های عصبی مصنوعی و مدل چندعاملی؛ تحقیقات مالی، شماره 15، 120-97.


• رضائیان، علی؛ (1380)؛ مبانی سازمان و مدیریت؛ تهران، انتشارات سمت. 61-60.

• Xiao Zhong a, David Enke (2017).Forecasting daily stock market return using dimensionality reduction. Expert Systems With Applications 67 - 126–139.


• Chen, T. L., & Chen, F. Y. (2016). An intelligent pattern recognition model for supporting investment decisions in stock market.Information Sciences,346,261–274.


• Chiang,W.C., Enke, D., Wu, T., & Wang, R. (2016). An adaptive stock index tradi


• Kim, Y., &Enke, D. (2016). Developing a rule change trading system for the futures market using rough set analysis. Expert Systems with Applications, 59, 165–173. ng decision support system. Expert Systems with Applications, 59, 195–207.


• Barak, S., Dahooie, J. H., &Tichý, T. (2015). Wrapper ANFIS-ICA method to do stock market timing and feature selection on the basis of Japanese Candlestick. Expert Systems with Applications, 42 (23), 9221–9235.


• Kara, Y., Boyacioglu, M. A., &Baykan, O. K. (2011). Predicting direction of stock price index movement using artificial neural networks and support vector machines: The sample of the Istanbul stock exchange. Expert Systems with Applications, 38 (5), 5311–5319.


• Zhu, X. T., Wang, H., Xu, L., & Li, H. Z. (2008). Predicting stock index increments by neural networks: The role of trading volume under different horizons. Expert Systems with Applications, 34 (4), 3043–3054.