iNetDoc

کامل ترین منبع دانلود مقاله و تحقیق

بررسی و پیش¬بینی بازده سهام با استفاده از سود و جریان¬های نقد عملیاتی با رویکرد شبکه¬های عصبی مصنوعی

نوع : word - قیمت :10000 تعداد صفحه : 18

بخشی از مقاله : 

 

با توجه به اهمیت­ بازده در مطالعات سرمایه­گذاری، پیش­بینی آن با استفاده از سود و جریان­های نقد عملیاتی از مسائل مهم و ضروری است. تغییرات زمانی بازده، عدم کفایت مطالعات صورت گرفته و وجود عوامل تاثیرگذار بر میزان بازده سهام باعث توسعه­ی روش­های نوین و هوشمند در تخمین و برآورد بازده سهام شرکت­های بورسی شده است. هدف از اين تحقيق بررسی و پیش­بینی بازده سهام با استفاده از سود و جریان­های نقد عملیاتی با رویکرد شبکه­های عصبی مصنوعی است. متغيرهاي مستقل در اين تحقيقسود و جریان نقد عملیاتی هر سهم و متغير وابسته بازده سهام مي­باشد. بدين منظور متغیرهای مذکور براي 100 شرکت بورسی و به مدت 5 سال جمع­آوري گرديد. خروجی­های حاصل از تخمین شبکه­های عصبی مصنوعی و نتایج حاصل از تخمین با استفاده از این روش، با معیارهای ارزیابی (0.51=R2، 0.7= MSEو 0.5=MAE) و معناداری متغیرها، می­باشد. با در نظر گرفتن مقدار تصادفی (50 درصد) و مقایسه آن با 0.51=R2، متوجه ارتباط معنادار بین متغیرهای مربوطه و بازده سهام می­شویم، و شبکه مزبور دارای کمترین خطا (0.7= MSEو 0.5=MAE) نسبت به سایر شبکه­های دیگر می­باشد.

واژه­های کلیدی: بازده آینده، پیش­بینی بازده سهام، شبکه­های عصبی مصنوعی، متغیرهای بازار

 

1- مقدمه

با توجه به این که کاربرد مدل شبکه­های عصبی نسبت به مدل­های رگرسیونی ساده به طور قابل ملاحظه­ای مشکل­تر و زمان­بر است، ممکن است پیش­بینی­کنندگان تنها در صورتی بخواهند از مدل­های شبکه عصبی استفاده کنند که این دشواری و پیچیدگی­ها مفید و کاربردی باشد (بالکین و ارد[1]،2000؛ داربلای و اسلما[2]،2000). یکی از دلایل بکارگیری شبکه­های عصبی جنبه­ی غیرخطی بودن آن در پیش­بینی است (داربلای و اسلما،2000؛ بالکین و ارد،2000؛ تاکز[3]،2001).

جنبه­ی غیرخطی بودن ممکن است به شکل روابط پیچیده بین متغیرهای مستقل یا وابسته در آستانه های بالا یا پایین برای اثرگذاری بر متغیرهای مستقل باشد، یا تفاوت بین حد بالا و پایین پیش­بینی­های مربوط به متغیر وابسته باشد (داربلای و اسلما،2000).

بروکس[4] (1997) و چی[5] (2001) بیان کردند که تغییرات مداوم در ماهیت روابط مالی عاملی برای تغییر از رویکرد سنتی به رویکرد شبکه­های عصبی مصنوعی و کنار گذاری تکنیک­های سنتی می­باشد. این عمل با استفاده از یک رویکرد برگشتی صورت می­پذیرد، به این معنی که محققان با دستیابی به مشاهدات جدید همزمان با ایجاد سری­های زمانی جدید برای پیش­بینی، مشاهدات قدیمی­تر را حذف می­کنند.

پیش­بینی به معنای درک متغیرهایی است که برای بیان واکنش متغیر­های دیگر بکار می­رود و این به معنی لزوم درک شفافی از زمان­بندی روابط بین بسیاری از متغیرها و درک اهمیت آماری این روابط می­باشد و همچنین، یادگیری این که کدام متغیرها با توجه به علامت­هایشان برای پیش­بینی تغییرات بازار مناسب­تر می­باشند.  پیش­بینی بهتر با توجه به افزایش آشفتگی در بازارهای مالی و سراسری شدن جریان­های سرمایه­ای، عنصر کلیدی برای تصمیم­گیری مالی بهتر است.

روش­های پیش­بینی دقیق برای مدیریت پرتفوی، توسط سرمایه­گذاران و اعتبار­دهندگان، از اهمیت بالایی برخوردار است. تعیین بازده مورد انتظار سهام بستگی به ریسک مفروضی دارد که تدوین­کنندگان استراتژی­های پرتفوی با توجه به درکشان از توزیع بازده سهام دارند. کارشناسان مالی به ساده­گی می­توانند اثر دارایی­های مشهود را بر ارزش بازار به صورت مدل بیان کنند. اما، در رابطه با اثرات نامشهود این توانایی را ندارند. مدل­های سری زمانی بیان شده توسط تئوری­های مالی مبنایی برای پیش­بینی داده­ها در قرن اخیر هستند. برای تبدیل ارزش بازار به صورت یک مدل، یکی از مطلوب ترین راه­کارها استفاده از سیستم­های هوشمند از جمله شبکه­های عصبی مصنوعی است که شامل فرمول­های استاندارد نبوده و به ساده­گی می­توان تغییرات بازار را در آن لحاظ کرد.

هدف از این مطالعه، آزمون ارتباط بین متغیرهای سود و جریان نقد عملیاتی با بازده سهام، شناسایی متغیرهایی است که بیشترین ارتباط را با بازده دارند و بررسی این که چه طور، قدرت توصیف متغیرهای شناسایی شده، از طریق تجزیه آن به متغیرهای نقدینگی و معیارهای سودآوری مختلف، افزایش می­یابد. متغیرهای مورد مطالعه سود و جریان نقد عملیاتثی، برای هر سهم در نظر گرفته شد.

2- مبانی نظری و پیشینه­ی تحقیق

مبانی نظری

فاما[6] (1988) ابراز داشت که بازده سهام و یا پیش­بینی بازار سهام یکی از موضوع­های مهم مالی است که از دیرباز تاکنون مورد توجه محققان قرار گرفته است. این مبنی بر این فرض است که اطلاعات گذشته در دسترس عموم قرار می­گیرد تا بتوان با استفاده از آنها بازده سهام را در آینده پیش­بینی کرد. نمونه­هایی از این اطلاعات عبارتند از: متغیرهای اقتصادی مانند نرخ­های بهره و نرخ­های تسعیر ارز، اطلاعات خاص صنعت مانند نرخ­های رشد تولیدات صنعتی و قیمت مصرف­کننده، اطلاعات خاص شرکت مانند صورت سود و زیان، بازده و سود تقسیمی. با این وجود تلاش برای    پیش­بینی بازده سهام، برخلاف درک عموم از کارایی بازار می­باشد. فرضیه بازار کارا بیان می­کند که همه اطلاعات موجود قبل از این که افراد بتوانند بر اساس آن معامله کنند (بازده غیرعادی کسب کنند)، در بازار کارا منعکس شده است.

بنابراین، پیش­بینی قیمت سهام برای پیش­بینی بازده سهام غیر ممکن است. زیرا بازارها تمام اطلاعات شناخته شده موجود در رابطه با سهام را به طور کامل منعکس می­کنند. بازار کارآمد بلافاصله قیمت سهام را بر اساس خبری که می­رسد در بازار به طور تصادفی تنظیم می­کند (اوستین و همکاران[7]،1997). با این حال، هنوز بحث­های فراوانی مبنی بر عدم کارایی بازار وجود دارد و با تکیه بر این استدلال می­توان قیمت سهام را برای پیش­بینی بازده سهام در آینده به کار برد.

در طول چند سال گذشته، شواهد قابل توجهی برای اثبات عدم کارایی کامل بازارها بدست آمده است. در واقع، بسیاری از محققان شواهدی ارائه می­کنند که بازده بازار سهام با استفاده از اطلاعات در دسترس عموم از جمله داده­های سری زمانی، متغیرهای مالی و اقتصادی به ویژه متغیرهای با یک جزء مهم چرخه تجاری، قابل پیش­بینی است (اسورت[8]،1990).

بسیاری از تغییرات و اتفاقات رخ داده در بازارهای سهام را نمی­توان بطور مستقیم بصورت مدل بیان کرد که این نوعی محدودیت را در استفاده از مدل­های رگرسیونی بیان می­کند.

در سال های اخیر، کشف روابط غیر­خطی در بازارهای مالی توسط پژوهشگران مختلف و تحلیل­گران مالی مورد تاکید قرار گرفته است. با وجود روش­های آماری غیرخطی که برای انجام پیش­بینی های بهتر بازده سهام و یا قیمت در آینده مورد استفاده قرار می­گیرند، اما، بسیاری از تکنیک­ها رویکردهای مدل محورند که لازم است این مدل­های غیرخطی قبل از برآورد پارامترهای قابل تعیین، مورد تعدیل قرار گیرند. در مقابل، شبکه­های عصبی رویکردهایی داده محورند که نیازی به تعدیل سازی در طول پردازش مدل ندارند. زیرا، آنها به طور مستقل روابط ذاتی بین متغیرها را فرا می­گیرند. بنابراین، شبکه­های عصبی توانایی اجرا شدن برای مدل­های غیرخطی را بدون دانش اولیه نسبت به روابط متغیرهای ورودی و خروجی دارا می­باشند (ابیانکر[9]،1997).



[1] . Balkin & Ord

[2] . Darbellay & Slama

[3] . Tacz

[4] . Brooks

[5] . Qi

[6] . Fama

[7] . Austin et al

[8] . Schwert

[9] . Abhyankar

 



نوع فایل : word
اندازه فایل : 18
قیمت : 10000
خرید