Skip to main content
فهرست مقالات

بررسی سودمندی روش های کاهش متغیرها در پیش بینی بازده سهام شرکت های پذیرفته شده در بورس اوراق بهادار تهران

نویسنده:

نویسنده مسئول:

علمی-پژوهشی (وزارت علوم)/ISC (25 صفحه - از 83 تا 107)

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. یافته های تجربی این پژوهش حاکی ازسودمندی هر دو روش کاهش متغیر (نسبت به استفاده از 52 متغیر اولیه)، سودمندی بیشتر روش ریلیف نسبت به تحلیل عاملی و همچنین عملکرد بهتر درخت تصمیم نسبت به رگرسیون خطی است

The Purpose of this research is investigating the usefulness of variables (dimension) reduction methods (selection and extraction) in stock returns of the companies listed on Tehran Stock Exchange (TSE). In this regard, through reviewing literature, 52 predictive features (variables) were specified as the initial features based on the popularity in the literature and the availability of the necessary data. By using variables selection (relief) and variables extraction (factor analysis) methods, optimal variables (factors) are selected or extracted from initial variables. Subsequently, the stock returns of 101 firms listed on TSE from 2004 to 2013 were predicted utilizing decision tree and linear regression. The experimental results confirmed the usefulness of variables (dimension) reduction methods in stock return prediction and better performance of relief (relative to factor analysis). Furthermore, the results indicated that decision tree outperforms the linear regression.


برای مشاهده محتوای مقاله لازم است وارد پایگاه شوید. در صورتی که عضو نیستید از قسمت عضویت اقدام فرمایید.