ترکیب دومرحله ای داده های بنیادین و معاملاتی برای پیش بینی کوتاه مدت بازده سهام با استفاده از یادگیری باقیمانده ها
محل انتشار: مجله چشم انداز مدیریت مالی، دوره: 16، شماره: 3
سال انتشار: 1405
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 18
فایل این مقاله در 19 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_FINANC-16-3_001
تاریخ نمایه سازی: 22 آبان 1405
چکیده مقاله:
هدف: اطلاعات بنیادین و معاملاتی، جنبه های متفاوتی از قابلیت پیش بینی بازده سهام را منعکس می کنند و ارزش استفاده مشترک از آن ها می تواند به افق پیش بینی و نحوه ترکیب اطلاعات وابسته باشد. اقلام حسابداری معمولا با بسامد فصلی منتشر می شوند، درحالی که داده های معاملاتی، تحولات روزانه بازار را بازتاب می دهند؛ البته نسبت های بنیادین مبتنی بر ارزش بازار نیز قابلیت تغییر روزانه دارند. هدف این پژوهش، ارزیابی یک چارچوب دومرحله ای مبتنی بر یادگیری باقیمانده ها برای پیش بینی مقطعی بازده سهام در افق های یک، سه، پنج، ده و پانزده روز معاملاتی و مقایسه آن با رویکردهای صرفا بنیادین، صرفا معاملاتی و ترکیب مستقیم ویژگی هاست.روش : پژوهش بر شرکت های تولیدی پذیرفته شده در بورس اوراق بهادار تهران متمرکز است. اطلاعات صورت های مالی از سامانه کدال و داده های قیمتی و معاملاتی از پایگاه مدیریت فناوری بورس تهران گردآوری شدند. ویژگی های بنیادین شامل نسبت سود خالص و فروش دوازده ماهه اخیر به ارزش بازار، رشد فصلی سود خالص و فروش و تغییرات حاشیه سود ناخالص، عملیاتی و خالص بودند که به رتبه صدکی در سطح کل نمونه و درون صنعت تبدیل شدند. زمان دسترسی به اطلاعات مالی بر اساس انتشار رسمی گزارش ها لحاظ شد. ویژگی های معاملاتی نیز وضعیت کندل، بازده های تاریخی و سنجه های مرتبط با ریسک و حرکت بازار را پوشش دادند. چهار طراحی مبتنی بر رگرسیون XGBoost در یک طرح ارزیابی زمانی غلتان با دو پنجره آزمون متوالی مقایسه شدند. در هر پنجره، مدل ها با داده های آموزش برازش و ابرپارامترها با استفاده از دوره اعتبارسنجی انتخاب شدند. مشاهداتی که بازده هدف آن ها از مرز آموزش یا اعتبارسنجی عبور می کرد، از مجموعه مربوط حذف شدند. در چارچوب دومرحله ای، مدل نخست با ویژگی های بنیادین بازده را پیش بینی کرد و مدل دوم با ویژگی های معاملاتی، باقیمانده پیش بینی مرحله نخست را آموخت. بازده هدف از قیمت پایانی تعدیل شده روز مبنا تا قیمت آغازین تعدیل شده انتهای افق محاسبه شد. ارزیابی بر اساس میانگین روزانه ضریب اطلاعاتی رتبه ای و اسپرد بازدهی دهک های بالا و پایین، با اعمال قواعد پالایش مشترک، انجام گرفت. نمونه پژوهش شامل ۲۷۴ شرکت تولیدی پذیرفته شده در بورس اوراق بهادار تهران و حدود ۴۰۰ هزار مشاهده شرکت–روز از دی ۱۳۹۵ تا تیر ۱۴۰۵ بود. حدود ۷۰ هزار مشاهده به دو پنجره آزمون متوالی، از تیر ۱۴۰۳ تا تیر ۱۴۰۴ و از تیر ۱۴۰۴ تا تیر ۱۴۰۵، اختصاص یافت و مشاهدات باقی مانده برای آموزش و اعتبارسنجی به کار رفتند.یافته ها: مدل دومرحله ای در هر پنج افق، بالاترین میانگین ضریب اطلاعاتی رتبه ای را ثبت کرد. مقادیر این معیار در افق های یک، سه، پنج، ده و پانزده روزه به ترتیب برابر با ۰٫۳۲۹۸۷، ۰٫۰۴۴۵۳، ۰٫۰۳۶۶۸، ۰٫۰۵۳۲۸ و ۰٫۰۴۴۰۰ بود. در افق یک روزه، عملکرد این مدل به مدل معاملاتی و ترکیب مستقیم نزدیک بود؛ اما در افق سه روزه، فاصله عملکرد بیشتر شد و ضریب اطلاعاتی آن از مقادیر ۰٫۰۳۱۰۳ و ۰٫۰۲۲۵۲ دو مدل مذکور فراتر رفت. مدل دومرحله ای همچنین در افق های یک، سه و پانزده روزه، با اسپردهای ۱٫۸۴۷، ۰٫۴۸۳ و ۱٫۸۳ درصد، بیشترین تفکیک بازده دهک ها را ایجاد کرد. در افق های پنج و ده روزه، ترکیب مستقیم اسپرد بالاتری داشت، درحالی که مدل دومرحله ای همچنان از نظر میانگین ضریب اطلاعاتی در رتبه نخست قرار گرفت. اسپرد مدل دومرحله ای در تمام افق ها از مدل صرفا معاملاتی بیشتر بود. همچنین، افزایش ضریب اطلاعاتی مدل بنیادین از ۰٫۰۰۲۴۷ در افق یک روزه به ۰٫۰۴۲۱۱ در افق پانزده روزه، با افزایش ارزش پیش بینی مستقل اطلاعات بنیادین در افق های طولانی تر سازگار بود.نتیجه گیری: نتایج نشان می دهند که نحوه سازمان دهی اطلاعات بنیادین و معاملاتی در فرایند یادگیری، در بهبود کیفیت رتبه بندی سهام اهمیت دارد. مدل دومرحله ای با ثبت بالاترین میانگین ضریب اطلاعاتی در تمامی افق ها، بیشترین اسپرد در سه افق و اسپرد بالاتر از مدل صرفا معاملاتی در تمام افق ها، عملکرد قابل اعتنایی ارائه کرد. این یافته ها از کاربرد یادگیری باقیمانده ها برای ترکیب اطلاعات بنیادین و معاملاتی و توسعه مدل های پیش بینی مقطعی بازده سهام پشتیبانی می کنند.
کلیدواژه ها:
پیش بینی بازده سهام ، داده های بنیادین ، داده های معاملاتی ، یادگیری باقیمانده ها ، ترکیب دومرحله ای ، ایکس جی بوست ، رتبه بندی مقطعی
نویسندگان
محسن خیرالدین
دانشگاه تهران
شاپور محمدی
دانشکده مدیریت دانشگاه تهران
رضا راعی
دانشکده مدیریت دانشگاه تهران
مراجع و منابع این مقاله:
لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :