چکیده:
پیشبینی بازدهی سهام از مهمترین مسائل سرمایهگذاری در اوراق بهادار است از طرفی، با توجه به اینکه بازار سهام، سیستمی غیرخطی و آشوب گونه که تحت تأثیر شرایط سیاسی، اقتصادی و غیره هست لذا پیشبینی بازدهی نیازمند ابزارهای هوشمند و پیشرفتهای همچون ماشینهای یادگیرنده است. در این تحقیق هدف اصلی تفکیک سهام به دو طبقه پربازده و کم بازده و تشکیل پرتفوی است که بدین منظور از تحلیل ممیز قطری درجه دوم و ماشین بردار پشتیبان و همچنین برای گزینش بهترین متغیرها جهت پیشبینی طبقه بازدهی از روش انتخاب ویژگی متوالی استفاده شده است. برای هر مدل در حالتی که وزن سهمها برابر است بر اساس پیشبینی طبقه بازدهی هر سهم طی سالهای 88-91 پرتفوی تشکیل داده شدهاست که نتایج رضایت بخش بوده و همه پرتفویهای تشکیل شده بازدهی بیشتر از بازدهی پرتفوی معیار داشتند. برای مدل تحلیل ممیز با انتخاب ویژگی، از احتمال پسین جهت وزن دهی استفاده و با پرتفوی معیار مقایسه شد که نتایج دلالت بر وجود تفاوت معنادار بین بازدهی دو پرتفوی و برتری پرتفوی مدل تحلیل ممیز دارد.
Stock return forecasting is one of the most important question for investing in Stock markets. Because of the effects of policy, economic, etc., we need moderns and intelligent models to forecast the returns.
The main idea in this research is classifying the stocks into high and low return groups, for this purpose support vector machine (SVM) was used. To elect the best variables for models we used sequential feature selection and in order to evaluate the accuracy of SVM we do the same forecasting with diagonal quadratic discriminant analysis (DQDA). By using paired t-test, we conclude that models have no significant difference.
Equal weighted portfolios were created for each models with and without feature selection also, we used posterior probability to weight the portfolio of DQDA with feature selection. The returns were calculated for each portfolio during the years 1388-1391. The simulating results are satisfying and all portfolios’ returns are better than market portfolio.
خلاصه ماشینی:
تشکيل پرتفوي سهام با استفاده از مدل تحليل مميز قطري درجه دو و وزن دهي بر اساس احتمال پسين 1 سعيد فلاح پور تاريخ دريافت : ٩٦/٠٦/١٤ تاريخ پذيرش : ٩٦/٠٩/١٥ 2 حسين پيرايش شيرازي نژاد چکيده پيش بيني بازدهي سهام از مهم ترين مسائل سرمايه گذاري در اوراق بهادار است از طرفي ، با توجه به اينکه بازار سهام ، سيستمي غيرخطي و آشوب گونه که تحت تأثير شرايط سياسي، اقتصادي و غيره هست لذا پيش بيني بازدهي نيازمند ابزارهاي هوشمند و پيشرفته اي همچون ماشين هاي يادگيرنده است .
در اين تحقيق هدف اصلي تفکيک سهام به دو طبقه پربازده و کم بازده و تشکيل پرتفوي است که بدين منظور از تحليل مميز قطري درجه دوم و ماشين بردار پشتيبان و همچنين براي گزينش بهترين متغيرها جهت پيش بيني طبقه بازدهي از روش انتخاب ويژگي متوالي استفاده شده است .
به منظور پيش بيني طبقه بازده سهام در افق سرمايه گذاري مفروض ، روش هاي متنوعي وجود دارد که در اين پژوهش تفکيک سهام به گروه هاي متناسب با معيار انتخاب شده با استفاده ماشين هاي يادگيرنده انجام ميشود.
با توجه به اين مهم که متغيرهاي زيادي براي پيش بيني بازدهي سهم در نظر گرفته مي شوند انتخاب مجموعه اي از متغيرها که به بهترين نحو تميز بين دو طبقه سهام پربازده و کم بازده را ايجاد کنند مي تواند باعث بهبود عملکرد مدل در پيش بيني طبقه سهام شود.
همان طور که گفته شد در اين تحقيق سعي بر آن است که با استفاده از مدل ماشين بردار پشتيبان و تحليل مميز به پيش بيني طبقه بازده هر سهم پرداخته و بر اساس آن پرتفوي تشکيل دهيم .