پیش بینی بازده سهام

این مقاله نتایج تحقیقی را نشان می دهد که تحقیق مزبور بر اساس اطلاعات واقعی ، رابطه بین نسبت های سودآوری و بازده سهام مورد آزمون قرار گرفته است . تحقیق در نمونه ای متشکل از 47 شرکت پذیرفته شده در بورس اوراق بهادار تهران و فعال در زمینه شیمیایی و در دوره زمانی 1378 لغایت 1382 انجام شد . هدف تحقیق عبارت بود از آنکه سرمایه گذاران و سایر استفاده کنندگان از صورتهای مالی به این موضوع مهم پی ببرند که نسبت های مالی به عنوان یکی از روشهای تجزیه و تحلیل گزارشات مالی شرکتها ، دارای بار اطلاعاتی بوده و می تواند در تصمیم گیری آنها در خصوص خرید یا فروش سهام نقش موثری داشته باشد ...

تحقیق حاضر، رابطه بین ارزش ذاتی شرکت ها و بازده آنها را بر اساس مدل ارزش گذاری فلتهام- اولسن (1995) مورد بررسی قرار می دهد. این مدل، خواستار تعیین ارزش ذاتی شرکت ها با استفاده از ارزش دفتری آنهاست. جامعه آماری این تحقیق در برگیرنده شرکت های پذیرفته شده در بورس اوراق بهادار تهران است که در صنایع محصولات غذایی و آشامیدنی به جز قند وشکر، مواد و محصولات دارویی و نهایتاً خودرو و ساخت قطعات، فعالیت دارند. نمونه مورد بررسی شامل 37 شرکت است که داده های آنها برای بازه زمانی 1377 تا 1386 با استفاده از مدل رگرسیون مقطعی- زمانی (پانل دیتا) مورد آزمون قرار گرفته است. نتایج نشان می دهد در صنایع مورد بررسی مدل یاد شده با قاطعیت کامل قادر به تعیین ارزش ذاتی شرکت های مورد مطالعه نیست؛ اما شواهد نشان می دهد شرکت هایی که دارای ارزش ذاتی بیشتری هستند، سود بیشتری کسب می نمایند. با توجه به نتایج حاصل، نمی توان کارایی این مدل را به طور کامل رد کرد؛ اما در حال حاضر استفاده از این الگو در بورس اوراق بهادار تهران توصیه نمی شود.

پیش بینی بازده سهام به کمک کشف الگوهای رفتاری فرآیند مولد قیمت سهام امکان پذیر است. میزان موفقیت درکشف اینگونه الگوهای رفتاری، میزان کارایی پیش بینی را مشخص می کند. به عبارت دیگر فرآیند مولد قیمت سهام را می توان به عنوان یک الگوی دینامیکی بررسی کرد. این فرآیند ممکن است به صورت مدل های خطی، مدل های غیر خطی و یا مدل های تصادفی به دست آید. این پژوهش ساختارهای خطی پیش بینی کننده را در قالب دو مدل قیمت گذاری دارایی های سرمایه ای و سه عاملی فاماو فرنچ و ساختارهای غیرخطی را به صورت شبکه های عصبی تشریح می نماید.

با توجه به اهمیت بازده در مطالعات سرمایه گذاری، برآورد رابطه ی آن با عدم تقارن اطلاعاتی از مسائل مهم و ضروری است. تغییرات زمانی بازده، عدم کفایت مطالعات صورت گرفته و وجود عوامل تاثیرگذار بر میزان بازده سهام باعث توسعه ی روش های نوین و هوشمند در تخمین و برآورد بازده سهام شرکت های بورسی شده است. هدف از این تحقیق پیش بینی بازده سهام با استفاده از عدم تقارن اطلاعاتی با رویکرد شبکه های عصبی مصنوعی است. متغیر مستقل در این تحقیق عدم تقارن اطلاعاتی و متغیر وابسته بازده سهام بوده است. به همین منظور، متغیرهای مربوط برای 100 شرکت بورسی و به مدت 6 سال گرد آوری شده است. خروجی های حاصل از تخمین شبکه های عصبی مصنوعی و نتایج حاصل از تخمین با استفاده از این روش، با معیارهای ارزیابی (99/0=R، 064/0= MSEو 21/0=MAE) بوده است. با در نظر گرفتن مقدار تصادفی (50 درصد) و مقایسه آن با 99/0=R، ارتباط معنادار بین متغیر عدم تقارن اطلاعاتی و بازده سهام مشاهده می شود. همچنین، شبکه مزبور دارای کمترین خطا (064/0= MSEو 21/0=MAE) نسبت به دیگر شبکه های طراحی شده است.

هدف این پژوهش، بررسی سودمندی روش های مختلف کاهش )انتخاب و استخراج( متغیرها در پیش بینیبازده سهام شرکت های پذیرفته شده در بورس اوراق بهادار تهران است. در این راستا، با بررسی پیشینهپژوهش، 52 متغیر اولیه که بیشتر در ادبیات استفاده و داده های مورد نیاز برای سنجش آنها در دسترسبود، جستجو و با استفاده از روش انتخاب متغیر ریلیف و روش استخراج متغیر تحلیل عاملی، متغیرهای بهینهاز بین متغیرهای اولیه، انتخاب یا استخراج شد. در ادامه، با استفاده از 52 متغیر اولیه و همچنین با متغیرهایانتخاب یا استخراج شده در روش های مزبور به پیش بینی بازده سهام 101 شرکت پذیرفته شده در بورساوراق بهادار تهران در بازه زمانی 1383 الی 1392 پرداخته شده است. به منظور پیش بینی نیز از رگرسیونغیرخطی درخت تصمیم و رگرسیون خطی استفاده شده است. یافتههای تجربی این پژوهش حاکی ازسودمندی هر دو روش کاهش متغیر )نسبت به استفاده از 52 متغیر اولیه(، سودمندی بیشتر روش ریلیفنسبت به تحلیل عاملی و همچنین عملکرد بهتر درخت تصمیم نسبت به رگرسیون خطی است

در طول سال های اخیر مدل های سری زمانی غیر خطی یکی از ابزارهای جدید در توصیف و پیش-بینی بازدهی سهام بوده است. شواهد بسیاری رابطه عکس بین بازدهی آینده سهام و حجم معاملات را تأیید کرده است. وجود این رابطه نشان می دهد، حجم معاملات می تواند به عنوان متغیر آستانه ای مناسب در مدل های خودتوضیح آستانه ای (TAR) و خودتوضیح انتقال هموار لجستیک (LSTAR) استفاده شود. در این پژوهش توانایی مدل های خطی ARMA و مدل های TAR و LSTAR مقایسه شده است. علاوه بر این از متغیر حجم معاملات به عنوان متغیر آستانه ای یا انتقال در مدل های TAR و LSTAR استفاده شده است. بدین منظور نمونه ای از 26 شرکت در طول سال-های 1380 تا 1388 از شرکت های بورس اوراق بهادار تهران مورد مطالعه قرار گرفتند. از داده های 7 سال به عنوان داده های آموزشی و از داده های 2 سال به عنوان داده های آزمایشی استفاده شد. با استفاده از آزمون دایبلد ماریانو ، عملکرد مدل ها مورد مقایسه قرارگرفت. نتایج نشان دادند، مدل های غیرخطی از قدرت پیش بینی بالاتری نسبت به مدل ARMA برخوردارند. همچنین به کارگیری حجم معاملات در مدل های غیرخطی عملکرد این مدل ها را بهبود نبخشید.

مقاله حاضر به بررسی سودمندی رگرسیون های تجمیعی و روش های انتخاب متغیرهای پیش بین بهینه (شامل روش مبتنی بر همبستگی و ریلیف) برای پیش بینی بازده سهام شرکت های پذیرفته شده در بورس اوراق بهادار تهران می پردازد. به منظور ارزیابی عملکرد رگرسیون تجمیعی، معیارهای ارزیابی (شامل میانگین قدرمطلق درصد خطا، مجذور مربع میانگین خطا و ضریب تعیین) مربوط به پیش بینی این روش، با رگرسیون خطی و شبکه های عصبی مصنوعی مقایسه شده است. همچنین به منظور ارزیابی عملکرد روش های انتخاب متغیرهای بهینه پیش بین، معیارهای ارزیابی حاصل از پیش بینی با استفاده از متغیرهای انتخاب شده توسط این روش ها با معیارهای حاصل از پیش بینی با استفاده از کلیه متغیرها مقایسه شده است. یافته های تجربی مربوط به بررسی 101 شرکت پذیرفته شده در بورس اوراق بهادار تهران در سال های 1383 الی 1392 حاکی از عملکرد بهتر روش تجمیعی نسبت به رگرسیون خطی و شبکه های عصبی مصنوعی است. افزون بر این، یافته ها حاکی از آن بود که پیش بینی با استفاده از متغیرهای انتخاب شده در روش های مبتنی بر همبستگی و ریلیف، به طور معناداری عملکرد پیش بینی را نسبت به استفاده از کلیه متغیرها افزایش می دهد. Abstract Present study investigates the usefulness of ensemble regression and feature selection methods (including correlation-based feature selection and Relief) in predicting stock returns of companies listed on Tehran Stock Exchange. For performance evaluation of ensemble regression, evaluation criteria (including mean absolute percentage error, root mean squared error and coefficient of determination) of this method compared with linear regression and artificial neural networks. Also, for performance evaluation of feature selection methods, evaluation criteria of these methods compared with using all variables. The experimental results of investigating 101 companies listed in Tehran Stock Exchange in 2004-2013 indicate that ensemble regression outperforms the linear regression and artificial neural networks. Furthermore, the results show that selected variables with correlation-based feature selection and Relief result in better prediction in compare with using all variables.   Keywords : Stock Returns Prediction, Ensemble Regression, Feature Selection Methods.

هدف : در این پژوهش، از یک مدل خودرگرسیون برداری عاملی تعمیم یافته با پارامترهای متغیر طی زمان برای ساخت شاخص شرایط مالی استفاده شده است. تغییرپذیری، طی زمانی این امکان را در پارامترهای مدل (TVP) فراهم می کند که وزن منتسب به هر یک از متغیرهای به کاررفته در شاخص طی زمان انعطاف پذیر باشد و بدین ترتیب، پویایی های طی زمان ارزیابی شود. سپس توانایی شاخص استخراج شده برای پیش بینی متغیرهای مختلف ارزیابی شده است. روش : شاخص شرایط مالی با استفاده از روش TVP-FAVAR و داده های فصلی دوره زمانی 1398-1368 برآورد شده است. متغیرهای استفاده شده شامل نرخ بهره و تورم، رشد نرخ ارز، مصرف، تسهیلات بانکی، شاخص کل بورس، حجم پول، درآمدهای نفتی و نرخ رشد تولید ناخالص داخلی بوده است. نتایج : نتایج نشان دهنده وجود نوسان های چشمگیری در پارامترهای مدل بوده است. مطابق نتایج، شوک واردشده از ناحیه بهبود شاخص شرایط مالی به واکنش مثبت در شاخص بازار سهام منجر شده است؛ همچنین در شاخص شرایط مالی استخراج شده، توانایی پیشی بینی زیادی وجود دارد.

هدف: سرمایه گذاری یکی از موضوعات مهم در اقتصاد همه کشورهاست که برای افراد و مقامات ارشد کشورها، اهمیت بسیار زیادی دارد. سرمایه گذاری انتخاب دارایی برای حفظ و کسب درآمد بیشتر، به منظور رفاه آینده است. یکی از مباحث مهمی که در بازارهای سرمایه مطرح است و سرمایه گذاران اعم از اشخاص حقیقی یا حقوقی باید به آن توجه کنند، بحث بهینه سازی بازده سهام است که به پیش بینی بازده سهام مرتبط است. بر این اساس پژوهش حاضر با هدف بهینه سازی پیش بینی بازده سهام مبتنی بر ریسک، در صنایع منتخب بورس اوراق بهادار تهران اجرا شده است. روش: تجزیه وتحلیل داده ها در دو بخش انجام شد. در مرحله نخست، داده ها به کمک روش داده های ترکیبی و همچنین فرایند خودرگرسیون مرتبه اولAR(1) ر دوره زمانی ۱۳۸۹ تا ۱۳۹۸ برآورد شد و با استفاده از این مدل، بازده سهام برای صنایع منتخب بورس اوراق بهادار پیش بینی شد. در مرحله دوم، به کمک روش تحلیل پوششی داده ها (DEA)، هینه سازی پیش بینی بازده سهام در مرحله قبل، برای صنایع منتخب بورس اوراق بهادار تهران در دوره زمانی ۱۳۸۹ تا ۱۳۹۸ صورت گرفت. یافته ها: نتایج بهینه سازی پیش بینی بازده سهام در سه صنعت استخراج نفت وگاز بجز اکتشاف، استخراج کانه های فلزی و فراورده های نفتی نشان داد که صنعت استخراج نفت وگاز بجز اکتشاف با میزان4214/0 نسبت به سایر صنایع کارایی بیشتری دارد. پس از آن، صنعت استخراج کانه های فلزی با میزان کارایی 3728/0 در رتبه دوم و صنعت فراورده های نفتی با میزان کارایی 2516/0 در رتبه سوم از نظر میزان کارایی قرار گرفتند. نتیجه گیری: بهینه سازی پیش بینی بازده سهام در صنعت استخراج نفت وگاز بجز اکتشاف، در مقایسه با صنایع دیگری که در این مطالعه بررسی شد، در سطح بالاتری قرار دارد. با توجه به اینکه در کشور صنعت نفت کارآمدتر و بهینه تر عمل کرده است، می توان نفت را با روش های مؤثر وارد چرخه تولید کرد و با ورود تکنولوژی یا فناوری به کشور آن را عرضه کرد. از آنجا که تولیدات صنایع دیگر، از تولیدات سه صنعت مورد بررسی در این مطالعه بسیار کمتر است، برای افزایش تولیدات کالاهای صنعتی و غیرنفتی و کاهش واردات و افزایش صادرات کالاهای نهایی به دیگر کشورها، به منظور افزایش رشد اقتصادی، باید اقدام های اساسی صورت گیرد. از این رو پیشنهاد می شود که در ابتدا، از صنعت استخراج نفت وگاز بجز اکتشاف، برای تولید کالاهای نهایی از این صنعت استفاده شود و پس از آن، برای تولید کالاهای نهایی، به دیگر صنایع روی آورد. همچنین از آنجایی که صنعت فراورده های نفتی، تحت تأثیر متغیرهای بیشتری در پیش بینی بازده سهام قرار می گیرد، پیشنهاد می شود که سرمایه گذاران صنعت فراورده های نفتی، متغیرهای مورد مطالعه در این پژوهش، به ویژه نرخ رشد تولیدات صنعتی را از قبل بدانند و بازده سهام و میزان سرمایه گذاری خود را در نظر بگیرید. برای پژوهش های آتی، پیشنهاد می شود که بهینه سازی پیش بینی بازده سهام در صنایع مهم دیگری مانند صنعت دارویی، عرضه برق، بخار و آب گرم و غیره نیز بررسی و ارزیابی شده و با نتایج این مطالعه مقایسه شود.

مقدمه و اهداف: هدف اصلی این پژوهش، ارزیابی کارایی مدل های چندعاملی در پیش بینی بازده سهام در بازار سرمایه ایران است. در این راستا، مقاله بر آن است تا نقش عوامل متنوعی همچون اندازه شرکت، نسبت ارزش دفتری به بازار، سودآوری و سیاست های سرمایه گذاری را در تبیین بازدهی سهام بررسی کرده و با مقایسه این مدل ها با الگوهای تک عاملی، میزان توانایی آنها در توضیح رفتار بازدهی در شرایط خاص بازار ایران را مشخص کند. در این راستا، پیش بینی بازده سهام می تواند ابزار تحلیلی دقیق تری در اختیار سرمایه گذاران، مدیران مالی و سیاست گذاران اقتصادی قرار دهد و به بهبود فرایند تصمیم گیری کمک نماید. در این میان، مدل های قیمت گذاری دارایی ها به عنوان یکی از محورهای اصلی در مطالعات مالی مطرح بوده اند و تلاش های متعددی برای ارتقای توان توضیح دهندگی و پیش بینی پذیری آنها صورت گرفته است. نخستین تلاش جدی در این زمینه، مدل تک عاملی قیمت گذاری دارایی های سرمایه ای (CAPM) بود که با وجود اهمیت تاریخی و کاربردهای گسترده، قادر به توضیح تمامی تغییرات بازده سهام نبود. این محدودیت سبب شد تا پژوهشگران به توسعه مدل های چندعاملی روی آورند. در این مدل ها، افزون بر عامل بازار، عوامل دیگری همچون ویژگی های بنیادی شرکت ها و شرایط اقتصادی لحاظ می شود تا توان پیش بینی و قدرت توضیح دهندگی افزایش یابد. بازار سرمایه نیز به عنوان یکی از ارکان اصلی نظام مالی، با نوسانات شدید مانند ریسک های ساختاری و تأثیرپذیری از تحولات کلان اقتصادی روبه رو است. در چنین بستری، اتکا به مدل های چندعاملی می تواند ضمن افزایش دقت در پیش بینی بازده سهام، به شناخت عمیق تر ریسک ها و فرصت های سرمایه گذاری منجر شود. براساس این، از منظر کاربردی نیز ضرورتی انکارناپذیر محسوب می شود. بازار سرمایه نیز به عنوان یکی از ارکان اصلی نظام مالی، با نوسانات شدید مانند ریسک های ساختاری و تأثیرپذیری از تحولات کلان اقتصادی روبه رو است. در چنین بستری، اتکا به مدل های چندعاملی می تواند ضمن افزایش دقت در پیش بینی بازده سهام، به شناخت عمیق تر ریسک ها و فرصت های سرمایه گذاری منجر شود. روش: مقاله حاضر، از نظر گردآوری داده ها، رویکردی اکتشافی و طرح پژوهش برپایه پایش توصیفی-همبستگی طراحی شده است و از حیث هدف در رده پژوهش های بنیادی جای می گیرد. داده های پژوهش براساس اطلاعات واقعی بازار سهام گردآوری شده و شامل صورت های مالی، گزارش های حسابرسی و اطلاعات موجود در پایگاه های رسمی معاملات بورس اوراق بهادار است. جامعه آماری تحقیق شامل تمامی شرکت های پذیرفته شده در بورس اوراق بهادار تهران به تعداد حدود ۵۵۰ شرکت است. این جامعه طی یک بازه زمانی ۱۴ ساله از سال ۱۳۸۸ تا ۱۴۰۲ بررسی شده است. به منظور افزایش حجم داده ها و بهبود دقت تحلیل ها، هر سال مالی به دو دوره شش ماهه تفکیک شد تا بتوان تغییرات بازده سهام و عوامل اثرگذار بر آن را با جزئیات بیشتری ردیابی نمود. باوجود برخی محدودیت ها و ناهماهنگی ها در اطلاعات موجود شرکت ها، معیارهای مشخصی برای انتخاب نمونه در نظر گرفته شد. درنهایت، با بهره گیری از روش حذف سیستماتیک، نمونه ای متشکل از ۱۳۰ شرکت انتخاب شد که داده های آنها به طورکامل و قابل اتکا در دسترس بود. برای تجزیه وتحلیل داده ها، با استفاده از نرم افزار تحلیل صورت می گیرد که در اینجا نخست، به منظور تجزیه وتحلیل داده های حاصل با استفاده از نرم افزار Eviews10 داده ها نظم بندی شده و برحسب هم راستایی با اهداف مورد تفسیر قرار گرفتند. نتایج: براساس نتایج حاصل از آزمون آمار توصیفی، متغیرهای مختلف مالی، اقتصادی، بازار سهام، راهبری شرکتی و حسابرسی الگوهای متفاوتی از ثبات و نوسان را نشان می دهند. بازده سهام نسبتاً پایدار بوده و نوسانات کمتری دارد؛ درحالی که ساختار مالی و سطح نقدینگی تغییرپذیری بیشتری را تجربه می کنند. در حوزه بازار سهام، ارزش بازار و نقدینگی بیشترین پراکندگی را داشته اند که بیان کننده ریسک و نوسانات بالای بازار است و در مقابل نرخ رشد بازار از ثبات نسبی برخوردار بوده است. در بخش متغیرهای اقتصادی، تورم بیشترین تغییرپذیری را داشته و به عنوان متغیری اثرگذار بر سایر شاخص ها عمل می کند. همچنین، در حوزه راهبری شرکتی، تعداد اعضای هیئت مدیره نوسان بیشتری داشته، اما ساختار مالکیت و مالکیت نهادی ثبات نسبی نشان داده اند. ازسوی دیگر، متغیرهای مربوط به کیفیت گزارشگری مالی و حسابرسی تغییرات اندکی داشته و این امر بیان کننده وجود چهارچوب ها و رویه های استاندارد در این حوزه است، و نیز به دلیل انتخاب مدل داده های پنلی، به منظور انتخاب الگوی اثرات ثابت در برابر الگوی اثرات تصادفی، آزمون هاسمن انجام می شود. نتایج آزمون چاو در هر مدل نشان می دهد که مقدار سطح خطای احتمال این آزمون کمتر از 5 درصد است و بنابراین، در این آزمون روش ثابت پذیرفته می شود. در تحلیل رگرسیونی، نتایج نشان می دهد اکثر متغیرهای مورد مطالعه رابطه ای مثبت و معنادار با بازده سهام دارند. متغیرهایی مانند کارایی فرایند حسابرسی با ضریب 8981/0، سطح نقدینگی با ضریب 8978/0، و بازار با ضریب 8122/0، اثرگذاری بالایی داشته و با آماره t بالای ۳ و معناداری کمتر از 005/0اهمیت بالای خود را نشان داده اند. همچنین نسبت ریسک مالی و تخصص حسابرس نیز تأثیر معناداری بر بازده سهام داشته اند. ضریب تعیین مدل 944/0 بیان کننده توان بالای آن در توضیح تغییرات بازده سهام است و ضریب تعیین تعدیل شده 984/0 نیز دلالت بر قدرت پیش بینی قابل قبول مدل دارد. بحث و نتیجه گیری: براساس نتایج مقاله، مدل های چندعاملی قیمت گذاری دارایی چهارچوبی کارآمد برای پیش بینی بازده سهام در بازار سرمایه ایران فراهم می کنند. برخلاف مدل های تک عاملی همچون CAPM که تنها ریسک بازار را در نظر می گیرند، یافته ها نشان می دهد بازده سهام تحت تأثیر مجموعه ای از عوامل مالی، بازار، اقتصادی، حاکمیتی و حسابرسی قرار دارد. در بعد مالی، شاخص هایی مانند ساختار سرمایه، نقدینگی، سود خالص، نسبت بازده دارایی و نسبت بدهی به دارایی اثر معناداری بر بازده دارند و بیان کننده اهمیت سلامت مالی و مدیریت منابع هستند. در حوزه بازار، متغیرهایی همچون بازده بازار، فرصت رشد و نسبت ارزش دفتری به بازار با ضرایب مثبت و معنادار، نقش نیروهای بازار و انتظارات سرمایه گذاران را تأیید می کنند. از منظر اقتصادی نیز عواملی مانند نرخ تورم، رشد اقتصادی و تغییرات هزینه ها اثرگذاری بالایی بر عملکرد سهام داشته و اهمیت شرایط کلان را آشکار می کنند. افزون براین، ساختار حاکمیت شرکتی شامل استقلال هیئت مدیره، ساختار مالکیت و مالکیت نهادی موجب افزایش شفافیت و کاهش ریسک می شود. همچنین، کیفیت گزارشگری مالی و استقلال حسابرس با اعتماد سرمایه گذاران و بهبود بازده ارتباط مستقیم دارد .به طورکلی، بررسی ها نشان می دهد مدل های تعمیم یافته چندعاملی توان تبیین بالاتری نسبت به مدل های سنتی دارند و با ترکیب متغیرهای متنوع، امکان پیش بینی دقیق تر رفتار سهام را فراهم می کنند. این رویکرد جامع می تواند به مدیران، سرمایه گذاران و سیاست گذاران در اتخاذ تصمیم های مالی در راستای بازار سهام آگاهانه کمک شایانی نماید.