پیش‌بینی بازده سهام با استفاده از مدل‌های غیرخطی آستانه‌ای و بررسی نقش حجم معاملات در بهبود عملکرد این مدل‌ها

نویسندگان

1 دانشیار و عضو هیئت علمی دانشگاه الزهرا، تهران، ایران

2 کارشناس ارشد مدیریت مالی، دانشگاه الزهرا، تهران، ایران

چکیده

در طول سال‌های اخیر مدل‌های سری زمانی غیر‌خطی 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 می‌دهد، حجم معاملات می‎تواند به‌عنوان متغیر آستانه‌ای مناسب در مدل‌های خودتوضیح آستانه‌ای (TAR) و خودتوضیح انتقال هموار لجستیک (LSTAR) استفاده شود. در این پژوهش توانایی مدل‌های خطی ARMA و مدل‌های TAR و LSTAR مقایسه شده است. علاوه‌بر این از متغیر حجم معاملات به‌عنوان متغیر آستانه‌ای یا انتقال در مدل‌های TAR و LSTAR استفاده شده است. بدین منظور نمونه‌ای از 26 شرکت در طول سال-های 1380 تا 1388 از شرکت‌های بورس اوراق بهادار تهران مورد مطالعه قرار گرفتند. از داده‎های 7 سال به عنوان داده‌های آموزشی و از داده‌های 2 سال به عنوان داده‌های آزمایشی استفاده شد. با استفاده از آزمون دایبلد ماریانو ، عملکرد مدل‌ها مورد مقایسه قرارگرفت. نتایج نشان دادند، مدل‌های غیرخطی از قدرت پیش‎بینی بالاتری نسبت به مدل ARMA برخوردارند. همچنین به‎کارگیری حجم معاملات در مدل‌های غیرخطی عملکرد این مدل‌ها را بهبود نبخشید.

کلیدواژه‌ها


عنوان مقاله [English]

Forecasting of Stock Returns with Non linear Models and the role of Trading Volume in Improving the Performance of These Models

نویسندگان [English]

  • Ebrahim Abbasi 1
  • Sahar Bagheri 2
1
2
چکیده [English]

Non-linear time series models have become fashionable tools to describe and forecast stock market returns in recent years. A significant amount of evidence supports a negative relationship between volume and future returns. This suggests that volume could act as a suitable threshold variable in LSTAR and TAR models. In this research, we compared the forecasting ability of LSATR and TAR models with ARMA. Moreover, we used lagged volume as the threshold in LSTAR and TAR. Daily stock returns and volume of 26 companies were used over the sample period 21/03/2001 to 20/03/2010 years. In order to conduct a forecasting exercise we used the 7 years data as the in sample estimation period and the reminder of the sample as the out of sample period. We used Diebold- Mariano test to compare forecasting power of the models. Results show that Non-linear models have higher forecasting power than ARMA. Also using volume did not improve the forecasting performance of LSTAR and TAR.

کلیدواژه‌ها [English]

  • Logistic Smooth-transition Model
  • Stock Return Prediction
  • Threshold Autoregressive Model.