نوع مقاله : مقاله پژوهشی

نویسندگان

1 استاد گروه حسابداری دانشکده اقتصاد ، مدیریت و علوم اجتماعی ، دانشگاه شیراز ، شیراز ، ایران

2 دکتری حسابداری دانشکده اقتصاد ، مدیریت و علوم اجتماعی ، دانشگاه شیراز ، شیراز ، ایران

چکیده

هدف این پژوهش، بررسی سودمندی روش های مختلف کاهش )انتخاب و استخراج( متغیرها در پیش بینی
بازده سهام شرکت های پذیرفته شده در بورس اوراق بهادار تهران است. در این راستا، با بررسی پیشینه
پژوهش، 52 متغیر اولیه که بیشتر در ادبیات استفاده و داده های مورد نیاز برای سنجش آنها در دسترس
بود، جستجو و با استفاده از روش انتخاب متغیر ریلیف و روش استخراج متغیر تحلیل عاملی، متغیرهای بهینه
از بین متغیرهای اولیه، انتخاب یا استخراج شد. در ادامه، با استفاده از 52 متغیر اولیه و همچنین با متغیرهای
انتخاب یا استخراج شده در روش های مزبور به پیش بینی بازده سهام 101 شرکت پذیرفته شده در بورس
اوراق بهادار تهران در بازه زمانی 1383 الی 1392 پرداخته شده است. به منظور پیش بینی نیز از رگرسیون
غیرخطی درخت تصمیم و رگرسیون خطی استفاده شده است. یافتههای تجربی این پژوهش حاکی از
سودمندی 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

کلیدواژه‌ها

عنوان مقاله [English]

The Usefulness of Variables (Dimension) Reduction Methods in Stock Returns of the Companies Listed on Tehran Stock Exchange

نویسندگان [English]

  • Mohammad Hossein Setayesh 1
  • Mostafa Kazemnezhad 2

1 Ph.D in Accounting, Shiraz University, Shiraz, Iran

2 Ph.D in Accounting, Shiraz University, Shiraz, Iran

چکیده [English]

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.

کلیدواژه‌ها [English]

  • Stock Return Prediction
  • Variables (Dimension) Reduction
  • Nonlinear Regression
  • Decision Tree
ابریشمی، حمید. (1387). مبانی اقتصادسنجی، جلد دوم، چاپ پنجم، تهران: انتشارات دانشگاه تهران.
آذر، عادل و کریمی، سیروس. (1388). «پیش‌بینی بازده سهام با استفاده از نسبت‌های حسابداری با رویکرد   شبکه‌های عصبی»، تحقیقات مالی، دوره یازدهم، شماره 28، ص‌ص. 3-20.
تهرانی، رضا و نوربخش، عسکر. (برگردانندگان) (1386). مدیریت سرمایه‌گذاری، چاپ سوم، تهران: انتشارات نگاه دانش.
ثقفی، علی و شعری، صابر. (1383). «نقش اطلاعات بنیادی حسابداری در پیش‌بینی بازده سهام»، فصلنامه مطالعات حسابداری، شماره 8، ص‌ص. 87-120.
جعفری، بهزاد و آذر، عادل. (1392).  «درخت تصمیم فازی؛ رویکردی نوین در تدوین استراتژی»، پژوهش‌های مدیریت عمومی، سال ششم، شماره 19، ص­ص. 25-39.
چالاکی، پری و یوسفی، مرتضی. (1391). «پیش‌بینی مدیریت سود با استفاده از درخت تصمیم‌گیری»، مطالعات حسابداری و حسابرسی، شماره 1، ص‌ص. 110-123.
حساس‌یگانه، یحیی و متین حسن‌نژاد (1394). «فایده‌مندی اطلاعات ترازنامه و سود و زیان در مقایسه با اطلاعات سود و زیان برای توضیح بازده سهام»، مطالعات تجربی حسابداری مالی، شماره 46، ص‌ص. 27-62.
خدامی پور، احمد؛ دلدار، مصطفی و محسن چوپان (1392). «بررسی تأثیر عدم تقارن اطلاعاتی و چرخه عمر شرکت بر بازده آتی سهام شرکت‌های پذیرفته شده در بورس اوراق بهادار تهران»، مطالعات تجربی حسابداری مالی، شماره 38، ص‌ص. 143-167.
خواجوی، شکراله و ناظمی، امین (1384). «بررسی ارتباط بین کیفیت سود و بازده سهام با تاکید بر نقش ارقام تعهدی در بورس اوراق بهادار تهران»، بررسی­های حسابداری و حسابرسی، شماره 40، ص­ص. 37-60.
دستگیر، محسن و خدابنده، رامین. (1382). «بررسی ارتباط بین محتوای اطلاعاتی اجزای اصلی صورت گردش وجه نقد با بازده سهام»، مجله علوم انسانی و اجتماعی دانشگاه شیراز، دوره نوزدهم، شماره 2، پیاپی 38، ص‌ص. 100-112.
سرایی، حسن (1388). رگرسیون چندمتغیری در پژوهش رفتاری، چاپ سوم، تهران: انتشارات سمت.
ظریف‌فرد، احمد و ناظمی، امین (1383). «بررسی نقش سود حسابداری و جریان‌های نقدی در سنجش عملکرد شرکت‌های پذیرفته شده در بورس اوراق بهادار تهران»، بررسی‌های حسابداری و حسابرسی، شماره 37، ص‌ص. 93-120.
عباسی، ابراهیم و باقری، سحر. (1391). «پیش‌بینی بازده سهام با استفاده از مدل‌های غیرخطی آستانه‌ای و بررسی نقش حجم معاملات در بهبود عملکرد این مدل‌ها»، تحقیقات مالی، دوره سیزدهم، شماره 32،    ص­ص. 91-108.   
عبده­تبریزى، حسین و گنابادی، محمود. (1375). «تردید در اعتبار مدل­های مالی»، مجله حسابدار، شماره 115، ص­ص. 13-20.
کلانتری، خلیل. (1385). پردازش و تحلیل داده­ها در تحقیقات اجتماعی- اقتصادی، چاپ دوم، تهران: انتشارات شریف.
نصیرزاده، فرزانه. (1392). «ارزیابی توانایی مدل‌های داده‌کاوی در پیش‌بینی قیمت سهام». یازدهمین همایش ملی حسابداری ایران، 17 و 18 مهرماه 1392، دانشگاه فردوسی مشهد.
نمازی، محمد و ابراهیمی، شهلا (1391). «بررسی ارتباط بین ساختار رقابتی بازار محصول و بازده سهام»، فصلنامه دانش حسابداری مالی، سال دوم، شماره 1 (پیاپی 3)، ص­ص. 9-27.
نمازی، محمد و غفاری، محمدجواد (1394). «بررسی اهمیت و نقش اطلاعات توانایی مدیران و نسبت‌های مالی به عنوان معیاری در انتخاب سبد بهینه سهام در شرکت های پذیرفته شده در بورس اوراق بهادار تهران (با استفاده از تحلیل پوششی داده‌ها)»، فصلنامه حسابداری مالی، شماره 26، صص. 1-30.           
نمازی، محمد و کرمانی، احسان. (1387). «تأثیر ساختار مالکیت بر عملکرد شرکت­های پذیرفته شده در بورس اوراق بهادار تهران»، بررسی­های حسابداری و حسابرسی. شماره 53.  ص­ص. 100-83.
منصورفر، غلام‌رضا؛ پیری، پرویز؛ و ضیایی، رضا (1394). «مدل‌سازی رفتار نوسانات بازده شرکت‌های بورس اوراق بهادار تهران با به‌کارگیری رهیافت تحلیل عامل»، مجله پیشرفت‌های‌ حسابداری، دوره هفتم،‌ شماره اول،‌ پیاپی 3/68، ص­ص. 167-202.
همت‌فر، محمود، حسینی، سید علی‌اکبر، شاه ویسی، فرهاد و نجفی، یوسف (1390). «روابط خطی و غیرخطی بین متغیرهای حسابداری و بازده سهام شرکت‌های صنعت خودرو و ساخت قطعات»، پژوهشنامه حسابداری مالی و حسابرسی، سال سوم، شماره 12، ص‌ص. 137-154.
Atiya, A. F. (2001). “Bankruptcy Prediction for Credit Risk Using Neural Networks: A Survey and New Results”, IEEE Transactions on Neural Networks, Vol. 12, No. 4, pp. 929-935.
Boyacioglu, M. A. and D. Avci (2010). “An Adaptive Network-Based Fuzzy Inference System (ANFIS) for the Prediction of Stock Market Return: The Case of the Istanbul Stock Exchange”, Expert Systems with Applications, Vol. 37, No. 12, pp. 7908–7912.
DeTienne, K. B.; DeTienne, D. H.; and S. A. Joshi (2003). “Neural Networks as Statistical Tools for Business Researchers”, Organizational Research Methods, Vol. 6, No. 2, pp. 236-265.
Fabozzi, F. J. and H. M. Markowitz (2002). The Theory and Practice of Investment Management, 2nd  Edition. John Wiley & Sons.
Gysen, M.; Huang, C. S.; and R. Kruger (2013). “The Performance of Linear Versus Non-Linear Models in Forecasting Returns on The Johannesburg Stock Exchange”, International Business & Economics Research Journal, Vol. 12, No. 8, pp.985-994.
Gehr, A. (1978). “Some Tests of the Arbitrage Pricing Theory”, Journal of the Midwest Finance Association, Vol. 7, pp. 91–105.
Hall, M. A. (2000) “Correlation-based Feature Selection for Discrete and Numeric Class Machine Learning”, Seventeenth International Conference on Machine Learning (June 29 - July 02), San Francisco, CA, pp. 359-366.
Hu, Y. C. (2010). “Analytic Network Process for Pattern Classification Problems Using Genetic Algorithms”, Information Sciences, Vol. 180, No. 13, pp. 2528–2539.
Jardin, P. (2010). “Predicting Bankruptcy Using Neural Networks and Other Classification Methods: The Influence of Variable Selection Techniques on Model Accuracy”, Neurocomputing, Vol. 73, pp. 2047–2060.
Kanas, A. and A. Yannopoulos (2001). “Comparing Linear and Nonlinear Forecasts for Stock Returns”, International Review of Economics and Finance, Vol. 10, No. 4, pp. 383-398.
Kira, K. and L. A. Rendell (1992). “A Practical Approach to Feature Selection”, Proceedings of International Conference on Machine Learning, pp. 249 -256.
Lee, S. K. (2006). “On Classification and Regression Trees for Multiple Responses and Its Application”, Journal of Classification, Vol. 23, No. 1, pp. 123-141.
Liang, D.; Tsai, C. H.; and Wu, H. T. (2015). “The Effect of Feature Selection on Financial Distress Prediction”, Knowledge-Based Systems, Vol. 73, pp. 289-297.
Lindenbaum, M.; Markovitch, S.; and D. Rusakov (2004). “Selective Sampling for Nearest Neighbor Classifiers”, Machine Learning, Vol. 2, pp. 125-152.
Liu, W. (2006). “A Liquidity-Augmented Capital Asset Pricing Model”, Journal of Financial Economics, Vol. 82, No. 3, pp. 631-671.
Lo, S. C. (2010). “The Effects of Feature Selection and Model Selection on the Correctness of Classification”, Proceedings of the 2010 IEEE IEEM, pp. 989-993.
McMillan, D. G. (2007). “Non-linear Forecasting of Stock Returns: Does Volume Help?”, International Journal of Forecasting, Vol. 23, No. 1, pp. 115-126.
Mramor, D. and M. Pahor (1998). “Testing Nonlinear Relationship between Excess Rate of Return on Equity and Financial Rations”, 23rd Meeting of the EURO Working Group on Financial Modelling, pp. 119-134.
Mramor, D. and N. Mramor-Kosta (1997). “Accounting Ratios as Factors of Rate of Return on Equity”, New Operational Approaches for Financial Modelling, Physica-Verlag Heidelberg, pp 335-348.
Olson, D. and C. Mossman (2003). “Neural Network Forecasts of Canadian Stock Returns Using Accounting Ratios”, International Journal of Forecasting, Vol. 19, No. 3, pp. 453–465
Omran, M. and A. Ragab (2004). “Linear Versus Non-linear Relationships between Financial Ratios and Stock Returns: Empirical Evidence from Egyptian Firms”, Review of Accounting and Finance, Vol. 3, No. 2, pp.84-102.
Robnik-Sikonja, M. and I. Kononenko (1997).  “An Adaptation of Relief for Attribute Estimation in Regression”, Machine Learning, Proceedings of 14th International Conference on Machine Learning (ICML'97), pp. 296–304.
Roll, R. and Ross, S. A. (1980). “An Empirical Investigation of the Arbitrage Pricing Theory”, Journal of Finance, Vol. 35, No. 5, pp. 1073–1103.
Setayesh, M. H.; Kazemnezhad, M.; Nikouei, M. A.; and S. Azadi (2012). “The Effectiveness of Fuzzy-Rough Set Feature Selection in the Prediction of Financial Distress: A Case of Iranian Context”, Wulfenia Journal, Vol. 19, No. 10, pp. 268-287.
Subrahmanyam, A. (2010). “The Cross-Section of Expected Stock Returns: What Have We Learnt from the Past Twenty-Five Years of Research?”, European Financial Management, Vol. 16, No. 1, pp. 27-42.
Tsai, C. F. (2009). “Feature Selection in Bankruptcy Prediction”, Knowledge-Based Systems, Vol. 22, No. 2, pp. 120–127.
Tsai, C. F. and Y.J. Chiou (2009). “Earnings Management Prediction: A Pilot Study of Combining Neural Networks and Decision Trees”, Expert Systems with Applications, Vol. 36, No. 3, pp. 7183–7191.
Wang, Y. and I. H. Witten (1997). “Inducing Model Trees for Continuous Classes”, In Poster papers of the 9th European Conference on Machine Learning, pp. 128-137.