نوع مقاله : مقاله پژوهشی
نویسندگان
1 دکتری اقتصاد و پژوهشگر پسادکتری، صندوق ملی حمایت از پژوهشگران و فناوران کشور، تهران، ایران
2 دانشیار، گروه اقتصاد، دانشگاه یزد، یزد، ایران
چکیده
پیشبینی بازده سهام برای سرمایه‌گذاران در بازارهای مالی از اهمیت فراوانی برخوردار است. به طور کلی چهار روش برای پیشبینی قیمت سهام وجود دارد: تحلیل تکنیکال، تحلیل بنیادی، پیشبینی سری‌های زمانی کلاسیک و روش یادگیری ماشینی. این مطالعه در دسته سوم؛ یعنی پیشبینی سری زمانی که در آن مقادیر یک متغیر در طول زمان پیشبینی می‌شود، قرار می‌گیرد. بررسی مطالعات انجام شده نشان می‌دهد پیشبینی قیمت سهام بیشتر با روش‌هایی چون شبکه عصبی و الگوریتم ژنتیک که در گروه روش یادگیری ماشینی قرار دارند، بوده است. عدم کاربرد روش بیزین، هموارسازی نمایی و باکس جنکینز در مطالعات انجام شده مشهود است. در واقع تمایز این پژوهش با سایر مطالعات، کاربرد روش‌های بیزین، هموارسازی نمایی و باکس جنکینز و مقایسه آن‌ها در پیشبینی بازده سهام است. این مطالعه پیشبینی با سری‌های زمانی با سه روش مختلف فوق را مورد استفاده قرار داده است. بازه زمانی این مطالعه از 0۶/0۱/13۹۷ تا ۲۷/1۲/۱۳۹۹ در تناوب روزانه است. براساس معیار ریشه میانگین مربع خطاها (RMSE) که کاهش آن تنها در صورتی ممکن است که روش مورد استفاده اطلاعات بیشتری را از فرآیند سری زمانی داده‌ها لحاظ کند. نتیجه این مطالعه نشان‌دهنده برتری روش بیزی بر سایر روش‌ها است. این تحقیق اهمیت توجه به این روش پیشبینی در بازده بازارهای مالی را نشان می دهد.
کلیدواژه‌ها
موضوعات
امیری، مقصود و بیگلری کامی، مهدی. (1393). پیش بینی رفتار سهام با استفاده از مدل زنجیره مارکوف. مهندسی مالی و مدیریت اوراق بهادار (مدیریت پرتفوی)، 5(20) ، 79 - 94.
حقیقت منفرد، جلال، احمدعلی نژاد، محمود و متقالچی، سارا. (1391). مقایسه مدل های شبکه عصبی با مدل سری زمانی باکس- جنکینز در پیش بینی شاخص کل قیمت سهام بورس اوراق بهادار تهران. مهندسی مالی و مدیریت اوراق بهادار (مدیریت پرتفوی)، 3(11)، 1 - 16.
زمانی، محسن، افسر، امیر، ثقفی، سید وحید و بیات، الهام. (1393). سیستم خبره پیش بینی قیمت سهام و بهینه سازی سبد سهام با استفاده از شبکه‌های عصبی فازی، مدل سازی فازی و الگوریتم ژنتیک. مهندسی مالی و مدیریت اوراق بهادار، 6 (21)، 107-130
سجاد، رسول و عسگری، محسن. (1391). بررسی روند زمانی قطعی و تغییر در پایداری شاخص کل بورس اوراق بهادار تهران، مبتنی بر تحلیل بیزین و با مدل تعمیم یافته ریشه واحد تصادفی (GSTUR). مهندسی مالی و مدیریت اوراق بهادار، 3(12)، 81-109.
محمدی، علی،خلیفه، مجتبی و معینی، محمدرضا. (1395). انتخاب سهام با استفاده از تکنیک دیمتل فازی و بکارگیری فرایند زنجیره مارکوف در پیش بینی وضعیت آینده سهام. فصلنامه مهندسی مالی و مدیریت اوراق بهادار (مدیریت پرتفوی)، 7(26)، ۱۲۳-۱۴۱.
مکیان، سیدنظام الدین و موسوی، فاطمه السادات. (1391). پیشبینی قیمت سهام شرکت فرآورده‌های نفتی پارس با استفاده از شبکه عصبی و روش رگرسیونی: مطالعه موردی: قیمت سهام شرکت فرآورده های نفتی پارس. مدلسازی اقتصادی، 6(2-پ18)، 105-121.
Abdollahi, H. (2020). A novel hybrid model for forecasting crude oil price based on time series decomposition. Applied Energy, 267, 115035.
Abu-Mostafa, Y. S., & Atiya, A. F. (1996). Introduction to financial forecasting. Applied Intelligence, 6 (3), 205-213.
Al-Qaness, M. A., Abd Elaziz, M., & Ewees, A. A. (2018). Oil consumption forecasting using optimized adaptive neuro-fuzzy inference system based on sine cosine algorithm. IEEE Access, 6, 68394-68402.
Amiri, M., & Biglari Kami, M. (2014). Predicting stock behavior using the Markov Chain model. Financial Engineering and Securities Management (Portfolio Management): 5 (20), 79-94. [In Persian]
Atsalakis, G. S., & Valavanis, K. P. (2009). Surveying stock market forecasting techniques–part II: soft computing methods. Expert Systems with Applications, 36 (3), 5932-5941.
Barak, S., Arjmand, A., & Ortobelli, S. (2017). Fusion of multiple diverse predictors in stock market. Information Fusion, 36, 90-102.
Billah, B., King, M.L., Snyder, R.D. & Koehler, A.B. (2006). Exponential smoothing model selection for forecasting. Int. J. Forecast. 22, 239–247.
Brown, R.G. (1963). Smoothing, forecasting and prediction of discrete time series. Prentice-Hall.
Clements, M. P. (2004). Evaluating the Bank of England density forecasts of inflation. The Economic Journal, 114 (498), 844-866.
De Oliveira, F. A., Nobre, C. N., & Zárate, L. E. (2013). Applying artificial neural networks to prediction of stock price and improvement of the directional prediction index–case study of PETR4, Petro bras, Brazil. Expert Systems with Applications, 40 (18), 7596-7606.
Diebold, F. X. (2006). Elements of forecasting (2nd Edition). South-Western College Pub.
Fama, E. F., & French, K. R. (1996). Multifactor explanations of asset pricing anomalies. The Journal of Finance, 51 (1), 55-84.
Fenghua, W. E. N., Jihong, X. I. A. O., Zhifang, H. E., & Xu, G. O. N. G. (2014). Stock price prediction based on SSA and SVM. Procedia Computer Science, 31, 625-631.
Gardner Jr., E.S. & McKenzie, E., (2010). Damped trend exponential smoothing: a modelling viewpoint. Int. J. Forecast. 26, 661–665.
Gardner Jr., E.S. (2006). Exponential smoothing: the state of the art—part II. Int. J. Forecast. 22, 637–666.
Göçken, M., Özçalıcı, M., Boru, A., & Dosdoğru, A. T. (2016). Integrating metaheuristics and artificial neural networks for improved stock price prediction. Expert Systems with Applications, 44, 320-331.
Grazzini, J., Richiardi, M. G., & Tsionas, M. (2017). Bayesian estimation of agent-based models. Journal of Economic Dynamics and Control, 77, 26-47.
Guo, X., Li, D., & Zhang, A. (2012). Improved support vector machine oil price forecast model based on genetic algorithm optimization parameters. Aasri Procedia, 1, 525-530.
Guresen, E., Kayakutlu, G., & Daim, T. U. (2011). Using artificial neural network models in stock market index prediction. Expert Systems with Applications, 38 (8), 10389-10397.
Hafiqat Monfared, J., , Alinejad M.A. & Metghalchi S. (2012). Comparison of neural network models with Box-Jenkins time series model in predicting the total stock price index of Tehran Stock Exchange. Financial Engineering and Securities Management (Portfolio Management), 3 (11), 1-16. [In Persian]
Hall, J., Pitt, M. K., & Kohn, R. (2014). Bayesian inference for nonlinear structural time series models. Journal of Econometrics, 179 (2), 99-111.
Harvey, A. C., Trimbur, T. M., & Van Dijk, H. K (2007). Trends and cycles in economic time series: a Bayesian approach. Journal of Econometrics, 140 (2), 618-649.
Hastie, T., Tibshirani, R., & Friedman, J. (2003). The elements of statistical learning: data mining, inference and prediction, Springer, (ISBN 0-387-95284-5).
Hendry, D., Castle, J., & Clements, M. (2019). Forecasting. Yale University Press.
Holt, C.C., (2004). Forecasting seasonal and trends by exponentially weighted moving averages. International Journal of Forecasting, 20 (1), 5-10.
Huang, C. L., & Tsai, C. Y. (2009). A hybrid SOFM-SVR with a filter-based feature selection for stock market forecasting. Expert Systems with Applications, 36 (2), 1529-1539.
Hyndman, R.J., & Khandakar, Y. (2008). Automatic time series forecasting: the forecast package for R, J. Stat. Journal of Statistic Software, 27, 3, 1-22.
Jeon, S., Hong, B., & Chang, V. (2017). Pattern graph tracking-based stock price prediction using big data, Future Generation Computer Systems.
Jones, C. I. (1999). Growth: with or without sale effects? The American Economic Review, 89 (2), 139-144.
Khashman, A., & Nwulu, N. I. (2011). Intelligent prediction of crude oil price using support vector machines. In 2011 IEEE 9th International Symposium on Applied Machine Intelligence and Informatics (SAMI), 165-169. IEEE.
Kim, H., & Han, S. T. (2016). The enhanced classification for the stock index prediction. Procedia Computer Science, 91, 284-286.
Kim, K. (2003). Financial time series forecasting using support vector machines. Neurocomputing, 55 (1), 307–319.
Kuo, R. J. (2001). A sales forecasting system based on fuzzy neural network with initial weights generated by genetic algorithm. European Journal of Operational Research, 129 (3), 496-517.
Lampreht Tratar, U., Loiacono, L., Cemazar, M., Kamensek, U., Fazio, V. M., Sersa, G., & Signori, E. (2017). Gene electro transfer of plasmid-encoding IL-12 recruits the M1 macrophages and antigen-presenting cells inducing the eradication of aggressive B16F10 murine melanoma. Mediators of Inflammation.
Lettau, M., & Ludvigson, S. (2001). Consumption, aggregate wealth and expected stock returns. The Journal of Finance, 56 (3), 815-849.
Lettau, M., & Ludvigson, S. (2005). Expected returns and expected dividend growth. Journal of Financial Economics, 76, 583–626.
Makiyan S. N., & Musavi F. (2012). Pars petroleum products company stock price prediction using neural network and regression method: case study: pars petroleum products company stock price. Economic Modeling: 6 (2), Series 18, 105-121. [In Persian]
Makiyan, S. N., & Rostami, M. (2018). Heterogeneous effect of unemployment on crime in Iran: Hierarchical Panel Bayesian-Poisson approach. Iranian Journal of Economic Research, 23(76), 137-158. [In Persian]
Makridakis, S. & Hibon, M. (2000). The M3-competition: results, conclusions and implications. Int. J. Forecast. 16, 451–476.
Makridakis, S., Wheelwright, S.C. & Hyndman, R.J. (1998). Forecasting: methods and applications, Third ed. Wiley, New York.
Malkiel, B. G. (2003). The efficient market hypothesis and its critics. The Journal of Economic Perspectives, 17 (1), 59-82.
Moghaddam, A. H., Moghaddam, M. H., & Esfandyari, M. (2016). Stock market index prediction using artificial neural network. Journal of Economics, Finance and Administrative Science, 21 (41), 89-93.
Mohammadi, A., Khalifeh M. & Moeini M.(2016). Selection of stocks using fuzzy technique and application of Markov Chain process in predicting the future status of stocks. Quarterly Journal of Financial Engineering and Securities Management, 7(26), 123-141. [In Persian]
Murat, A., & Tokat, E. (2009). Forecasting oil price movements with crack spread futures. Energy Economics, 31 (1), 85-90.
Naranjo, A., Nimalendran, M., & Ryngaert, M. (1998). Stock returns, dividend yields and taxes. The Journal of Finance, 53 (6), 2029-2057.
Patel, J., Shah, S., Thakkar, P., & Kotecha, K. (2015). Predicting stock and stock price index movement using trend deterministic data preparation and machine learning techniques. Expert Systems with Applications, 42 (1), 259-268.
Pegels, C.C. (1969). Exponential forecasting: Some new variations. Manage. Sci. 12, 311–315.
Poloni, F., & Sbrana, G. (2015). A note on forecasting demand using the multivariate exponential smoothing framework. International Journal of Production Economics, 162, 143-150.
Qiu, M., Song, Y., & Akagi, F. (2016). Application of artificial neural network for the prediction of stock market returns: the case of the Japanese stock market. Chaos, Solitons & Fractals, 85, 1-7.
Raoofi, A., & Mohammadi, T. (2018). Forecasting Tehran stock exchange index returns using a combination of wavelet decomposition and adaptive neural fuzzy inference systems. Iranian Journal of Economic Research, 23 (76), 107-136. doi: 10.22054/ijer.2018.9514. [In Persian]
Sadeghi, A. (2015). Providing a measure for bullwhip effect in a two-product supply chain with exponential smoothing forecasts. International Journal of Production Economics, 169, 44-54.
Sajjad, R. & Asgari, M. (2012). Investigation of definite time trend and change in the stability of the total index of Tehran Stock Exchange: A Bayesian analysis and with the generalized model of random unit root (GSTUR). Financial Engineering and Securities Management, 3(12), 81-109. [In Persian]
Santos, T., & Veronesi, P. (2006). Labor income and predictable stock returns. Review of Financial Studies, 19 (1), 1-44.
Senf, C., Pflugmacher, D., Heurich, M., & Krueger, T. (2017). A Bayesian hierarchical model for estimating spatial and temporal variation in vegetation phenology from Landsat time series. Remote Sensing of Environment, 194, 155-160.
Tay, F. E., & Cao, L. (2001). Application of support vector machines in financial time series forecasting. Omega, 29 (4), 309-317.
Taylor, J.W. (2003). Exponential smoothing with a damped multiplicative trend. Int. J. Forecast. 19, 715–725.
Ticknor, J. L. (2013). A Bayesian regularized artificial neural network for stock market forecasting. Expert Systems with Applications, 40 (14), 5501-5506.
Wallström, P., & Segerstedt, A. (2010). Evaluation of forecasting error measurements and techniques for intermittent demand. Int. J. Prod. Econ. 128, 625–636.
Wang, L., Wang, Z., Zhao, S., & Tan, S. (2015). Stock market trend prediction using dynamical Bayesian factor graph. Expert Systems with Applications, 42 (15), 6267-6275.
Wei, Y., Wang, Y., & Huang, D. (2010). Forecasting crude oil market volatility: Further evidence using GARCH-class models. Energy Economics, 32 (6), 1477-1484.
Xiang, Y. & Zhuang, X. H. (2013). Application of ARIMA model in short-term prediction of international crude oil price. In Advanced Materials Research, 798, 979-982. Trans Tech Publications Ltd.
Xiao, Q., Chaoqin, C., & Li, Z. (2017). Time series prediction using dynamic Bayesian network. Optic International Journal for Light and Electron Optics, 135, 98-103.
Zamani, M., , Afsar A., Saghafi Nezhad V. & Bayat E. (2014). Expert system of stock price forecasting and stock portfolio optimization using fuzzy neural networks, fuzzy modeling and genetic algorithm. Financial Engineering and Securities Management. 6(21), 107-130. [In Persian]
Żbikowski, K. (2014). Time series forecasting with volume weighted support vector machines. In International Conference: Beyond Databases, Architectures and Structures, 250-258. Springer International Publishing.
)