مقایسه کارآیی مدل‏های رگرسیون با رویکرد تحلیل مؤلفه‏های اصلی (PCA) وشبکه‏های عصبی مصنوعی درپیش‏بینی بازده غیرعادی

نوع مقاله: مقاله علمی

نویسندگان

1 دانشیار دانشگاه تهران

2 دانشگاه تهران

چکیده

بسیاری از پژوهش‏ها در علم مالی بر پیش‏بینی دقیق بازده شرکت‏ها با در نظر داشتن ریسک سرمایه‏گذاری در سهام آن‏ها تمرکز داشته‏اند. هدف این پژوهش،بررسی امکان توضیح بازده غیرعادی(تفاوت بازده مورد انتظار حاصل از مدل قیمت‏گذاری دارایی‏های سرمایه‏ای و بازده واقعی) بااستفاده ازنسبت‏های مالی وانتخاب ابزاربهتر برای پیش‏بینی آن از بین دومدل رگرسیون چندگانه با رویکرد تحلیل مؤلفه‏های اصلی (PCA) وشبکه‏های عصبی مصنوعی(ANN) است. بر این اساس توانایی مدل شبکه‏های عصبی مصنوعی پیش‏خور با الگوریتم پس‏انتشار خطا (BPN) در پیش‏بینی برون‏ نمونه‏ایِ بازده غیرعادی سهام مورد معامله در بورس اوراق بهادار تهران در سال‏های 1384 تا 1391 به طور معناداری بیشتر از توانایی رگرسیون خطی با رویکرد تحلیل مؤلفه‏های اصلی بوده است.

 

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

Artificial Neural Networks versus OLS Regression Models Using Principal Components Analysis in Forecasting Unexpected Returns

نویسندگان [English]

  • Reza Raei 1
  • Mahdi Bostanara 2
1 University of Tehran
2 University of Tehran
چکیده [English]

Financial statements are the main source of information for stock market participants and financial ratios are the primary tool for their analysis. The main goal pursued by this research includes two major questions; First, whether it is possible to gain “unexpected returns” (in excess of expected return, determined by the Capital Asset Pricing Model) using seven financial parameters, for publicly traded companies in Tehran Stock Exchange. Second, as suggested by the research hypothesis, are artificial neural networks superior to ordinary least square regression in forecasting such returns? Based on research findings, artificial neural networks can outperform ordinary least squares models even when the regression model prediction capacity is enhanced by using principal components analysis, in terms of one-step-ahead forecasting of unexpected returns.

کلیدواژه‌ها [English]

  • Abnormal Return
  • Artificial Neural Networks
  • Ordinary Least Squares using Principal Components Analysis
  • Out-of-sample Forecasting

[1]   بارزمان، منصور. (1389). ارایه مدل بهینه ساختار سرمایه در صنایع مختلف بورس اوراق بهادار تهران با استفاده از شبکه عصبیمصنوعی،پایان‌نامه کارشناسی ارشد، دانشکده علوم اجتماعی و اقتصادی، دانشگاه شیراز.

[2]   دستگیر، محسن؛ یوسفی گورتی، وجیهه. (1393). بررسی ارتباط بین سود یا زیان شناسایی نشده ناشی از تورم، جریان‏های نقد آتی و بازده غیرعادی شرکت‏های پذیرفته شده در بورس اوراق بهادار تهران. فصلنامه علمی‏ـ‏پژوهشی مدیریت دارایی و تأمین مالی، 2 (4): 98-75.

[3]   سرابندی، نریمان. (1389). بررسی رابطه بین بازده مازاد سهام با سود هر سهم پیش­بینی شده، نسب قیمت به درآمد هر سهم، نسبت گردش حجم معاملات و معاملات عمده در بورس اوراق بهادار، پایان­نامه کارشناسی ارشد.دانشکده علوم اقتصادی،دانشکده علوم اقتصادی.

[4]   شجر، مهدی. (1388). بررسی متغیرهای بنیادی حسابداری و بازده غیرعادی سهام، پایان­نامه کارشناسی ارشد، دانشکده حسابداری و مدیریت، دانشگاه آزاد اسلامی واحد مرودشت.

[5]   عبادی، امید. (1388). پیش­بینی شاخص کل قیمت سهام در بازار بورس تهران با استفاده از شبکه­های عصبی مصنوعی،پایان­نامه کارشناسی ارشد، دانشکده اقتصاد و علوم اجتماعی، دانشگاه بوعلیسینا.

[6]   فامیلیان، مولود؛ یزدانی، سیما. (1393).مقایسه عملکرد مدل‏های شبکه عصبی مصنوعی واتورگرسیون برداری در پیش‏بینی شاخص قیمت و بازده نقدی. تحقیقات حسابداری و حسابرسی، 21.

[7]     مؤمنی، منصور؛ آذر، عادل. (1386). آمار و کاربرد آن در مدیریت. تهران: سازمان مطالعه و تدوین کتب علوم انسانی.

[8]   تقی‏زاده مهرجردی، روح‏الله؛ فاضل‌یزدی، علی؛ محبی، رضا. (1392). مدل‏سازی و پیش‏بینی کارآیی بانک‎های دولتی و خصوصی ایران با استفاده از مدل‎های شبکه عصبی مصنوعی، شبکه عصبی فازی و الگوریتم ژنتیک فصلنامه علمی‏ـ‏پژوهشی مدیریت دارایی و تأمین مالی، 1 (2): 103-126.

[9]   نیکواقبال، اکبر؛ گندلی علیخانی، نادیا؛ نادری، اسماعیل. (1393). ارزیابی مدل‏های شبکه عصبی مصنوعی ایستا و پویا در پیش‏بینی قیمت سهام. فصلنامه علمی پژوهشی دانش مالی تحلیل اوراق بهادار،7، (22): 77 تا 91.

[10]            Angelini, E., Tollo, G. di, Roli, A., (2008). A Neural Network Approach for Credit Risk Evaluation. The Quarterly Review of Economics and Finance, 48(4): 733-755.

[11]            Balkin, S. D., & Ord, J. K. (2000). Automatic Neural Network Modeling for Univariate Time Series, International Journal of Forecasting, 16: 509–515.

[12]            Basu, Anup K. & Ashwood, Andrew J.. (2014) The Quest for Alpha: Can Artificial Neural Networks Help? JASSA, (1): 13-18.

[13]            Brooks, C. (2002). Introductory Econometrics for Finance. Cambridge, Cambridge University Press.

[14]            Callen, J. L., Kwan, C., Yip, P., & Yuan, Y. (1996). Neural Network Forecasting of Quarterly Accounting Earnings, International Journal of Forecasting, 12: 475–482.

[15]            Cao, Q., Parry, M. E.. (2009). Neural Network Earnings Per Share Forecasting Models: A Comparison of Backward Propagation and the Genetic Algorithm. Decision Support Systems, 47(1): 32-41.

[16]            Cao, Qing, Parry, Mark E., Leggio, Karyl B. (2011). The Three-Factor Model and Artificial Neural Networks: Predicting Stock Price Movement in China. Annals of Operations Research, May 2011, 185, (1): 25-44.

[17]            Carhart, Mark. (1997). On Persistence in Mutual Fund Performance, Journal of Finance. (52): 661–692.

[18]            Caudill, M. (1992). The view from now. AI Expert, (June 1992) 24-31.

[19]            Coats, P.K., Fant, L.F. (1993). Recognizing Financial Distress Patterns Using a Neural Network Tool, Financial Management, 22 (3): 142-155.

[20]            Fama, E., French, K. (1993). Common Risk Factors in the Returns on Stocks and Bonds. Journal of Financial Economics. (33): 3–56.

[21]            Holthausen, R. W., & Larcker, D. F. (1992). The Prediction of Stock Returns Using Financial Statement Information. Journal of Accounting and Economics, (15): 373– 411.

[22]            Kaastra, I. Boyd, M. (1996). Designing a Neural Network for Forecasting Financial and Economic Time Series, Neurocomputing, (10): 215-236.

[23]            Long, J.A., Raudys, A.. (2000). Modelling Company Credit Ratings Using a Number of Classification Techniques. In Fifteenth European Meeting on Cybernetics and Systems Research.

[24]            Lee, Sangjae, Ch, Wu Sung. (2013). A Multi-Industry Bankruptcy Prediction Model Using Back-Propagation Neural Network and Multivariate Discriminant Analysis. Expert Systems with Applications, 40 (8): 2941–2946.

[25]            Leung, M. T., Chen A. S., Daouk, H.. (2000). Forecasting Exchange Rates Using General Regression Neural Networks. Computers and Operations Research. 27 (11): 1093-1110.

[26]            Mokhatab R., F., S.M. Manzari, S. Bostanian. (2011). Financial Health Prediction Models Using Artificial Neural Networks, Genetic Algorithm and Multivariate Discriminant Analysis: Iranian Evidence. Expert Systems with Applications, 38 (8): 10210-10217.

[27]            Mostafa, M. M,. (2010). Forecasting Stock Exchange Movements Using Neural Networks: Empirical Evidence from Kuwait. Expert Systems with Applications, 37(9): 6302-6309.

[28]            O’Conner, M. (1973). On the Usefulness of Financial Statement Analysis and the Prediction of Stock Return, Accounting Review, (48): 339-352.

[29]            Oliveira, Fagner A. de, Nobre, Cristiane N., Zárate, Luis E. (2013). Applying Artificial Neural Networks to prediction of stock price and improvement of the directional prediction index – Case study of PETR4, Petrobras, Brazil. Expert Systems with Applications, 40 (18): 7596–7606.

[30]            Olson, D. Mossman, C. (2003). Neural Network Forecasts of Canadian stock Returns Using Accounting Ratios, International Journal of Forecasting, 1-13.

[31]            Ou, J. A., & Penman, S. H. (1989). Financial Statement Analysis and the Prediction of Stock Returns. Journal of Accounting and Economics, (11): 295–329.

[32]            Refenes, A. N., Azema-Barac, M. and Zapranis, A. D. (1993). Stock Ranking: Neural Networks vs Multiple Linear Regression. IEEE International Conference on Neural Networks, 141-1426.

[33]            Reinganum, M. R. (1981). Abnormal Returns in Small Firm Portfolios. Financial Analysts Journal, 52-56.

[34]            Reinganum, M. R. (1988). The Anatomy of a Stock Market Winner. Financial Analysts Journal, (39): 16-28.

[35]            St. John, C.H., Balakrishnan, N., Fiet, J. O. (2000). Modeling the Relationship between Corporate Strategy and Wealth Creation using Neural Networks. Computers and Operations Research, (27): 1077-1092.

[36]            Sureshkumar, K. K., Elango, N. M.. (2012). Performance Analysis of Stock Price Prediction using Artificial Neural Networks. Global Journal of Computer Science and Technology, Volume 12 Issue 1, pp.19-25.

[37]            Tkacz, G. (2001). Neural Network Forecasting of Canadian GDP Growth. International Journal of Forecasting, (17): 57–69.

[38]            Wansley, J., Roenfeldt, R., Cooley, P. (1983), Abnormal Returns from Merger Profiles, Journal of Financial and Quantitative Analysis, (18): 149-162.

[39]            West, D. (2000). Neural Network Credit Scoring Models. Computers and Operations Research, 27 (11): 1131-1152.