ارزیابی مدل های هیبرید در پیش بینی بازده نقدی سهام شرکت های کشاورزی

مجله اقتصاد و توسعه کشاورزی

مقاله 4، دوره 31، شماره 1 - شماره پیاپی 35، فروردین 1396، صفحه 95-104   

نوع مقاله: مقالات پژوهشی

شناسه دیجیتال (DOI): 10.22067/jead2.v31i1.59680

نویسندگان

آرش دوراندیش^* ؛ امیرحسین توحیدی؛ سمانه سلیمانی نژاد

دانشگاه فردوسی مشهد

چکیده

پیش بینی بازده نقدی شرکت های کشاورزی فعال در بازار بورس نقش بسیار مهمی در تعیین تولید، توزیع، تقاضا و کاهش ریسک و عدم قطعیت بازاری ایفا می نماید. از این رو، توسعه روش های پیش بینی و بهبود عملکرد این روش ها برای صاحبان شرکت ها و همچنین فعالان بازار بورس امری ضروری است. لذا، مقایسه عملکرد و دقت روش های مختلف پیش بینی مقادیر بازده نقدی سهام شرکت های کشاورزی در بورس اوراق بهادار تهران هدف اصلی این مطالعه می باشد. در این مطالعه با استفاده از داده های ماهانه بازده نقدی طی دوره ی (1) 1388 تا (1) 1394و بر اساس معیارهای دقت و آزمون دایبولد و ماریانو، دقت پیش بینی روش های خطی (ARIMA و ARIMAX)، غیرخطی (NAR و NARX) و مدل های هیبرید (ARIMA-ANN و ARIMAX-ANN) مورد ارزیابی و مقایسه قرار گرفته است. با اضافه نمودن متغیرهای توضیحی نرخ ارز، نرخ بهره، نرخ تورم، قیمت نفت و مخارج دولت؛ این مطالعه سعی در پاسخگویی به این سؤال را دارد که آیا عملکرد مدل های پیش بینی خطی، غیرخطی و هیبرید به طور قابل توجهی بهبود می یابد یا خیر؟ نتایج مطالعه نشان داد که در مدل های خطی و غیرخطی، اضافه نمودن متغیرهای توضیحی خارجی موجب بهبود عملکرد پیش بینی می گردد؛ اما این یافته برای مدل های هیبرید برقرار نمی باشد. همچنین، نتایج مطالعه مؤید آن است که مدل های هیبرید در مقایسه با مدل های خطی و غیرخطی، از دقت و عملکرد بهتری در پیش بینی مقادیر بازده نقدی سهام شرکت های کشاورزی برخوردار می باشند. لذا به شرکت ها و سهامداران بازار بورس اوراق بهادار توصیه می گردد که از مدل های هیبرید در برنامه ریزی های مالی خود استفاده نمایند.

کلیدواژه‌ها

بازار بورس؛ پیش بینی؛ مدل هیبرید؛ ARIMAX

مراجع

1-Abdalla I.S. and Murinde V. 1997. Exchange rate and stock price interactions in emerging financial markets: evidence on India, Korea, Pakistan and the Philippines, Applied Financial Economics, 7(1):25-35.

2- Abhishek K., Khairwa A., Pratap T. and Prakash S. 2012. A stock market prediction model using artificial neural network. In Computing Communication and Networking Technologies (ICCCNT), 2012 Third International Conference on (pp. 1-5). IEEE.

3- Adebiyi A.A., Adewumi A.O. and Ayo C.K. 2014. Comparison of ARIMA and artificial neural networks models for stock price prediction, Journal of Applied Mathematics, 2014: 1-7.

4- Areekul P., Senjyu, T., Toyama, H. and Yona A. 2010. Notice of violation of IEEE publication principles a hybrid ARIMA and neural network model for short-term price forecasting in deregulated market, in IEEE Transactions on Power Systems, 25(1):524-530.

5- Bildirici M. and Ersin, Ö.Ö. 2009. Improving forecasts of GARCH family models with the artificial neural networks: An application to the daily returns in Istanbul Stock Exchange, Expert Systems with Applications, 36(4):7355-7362.

6- Bodie Z. 1976. Common stocks as a hedge against inflation. The Journal of Finance, 31(2):459-470.

7- Choudhry T. 2001. Inflation and rates of return on stocks: evidence from high inflation countries, Journal of International Financial Markets, Institutions and Money, 11(1):75-96.

8- Co H.C. and Boosarawongse R. 2007. Forecasting Thailand’s rice export: Statistical techniques vs. artificial neural networks, Computers and Industrial Engineering, 53(4):610-627.

9- Dase R.K. and Pawar D.D. 2010. Application of artificial neural network for stock market predictions: A review of literature, International Journal of Machine Intelligence, 2(2):14-17.

10- De Oliveira F.A., Zarate L.E., de Azevedo Reis, M. and Nobre C.N. 2011. The use of artificial neural networks in the analysis and prediction of stock prices. In Systems, Man, and Cybernetics (SMC), 2011 IEEE International Conference on (pp. 2151-2155). IEEE.

11- Diaz-Robles L.A., Ortega J.C., Fu J.S., Reed G.D., Chow J.C., Watson J.G. and Moncada-Herrera, J.A. 2008. A hybrid ARIMA and artificial neural networks model to forecast particulate matter in urban areas: the case of Temuco, Chile, Atmospheric Environment, 42(35):8331-8340.

12- Dinenis E. and Staikouras S.K. 1998. Interest rate changes and common stock returns of financial institutions: evidence from the UK, The European Journal of Finance, 4(2):113-127.

13- Enke D., Grauer M. and Mehdiyev N. 2011. Stock market prediction with multiple regression, fuzzy type-2 clustering and neural networks, Procedia Computer Science, 6: 201-206.

14- Faruk D.Ö. 2010. A hybrid neural network and ARIMA model for water quality time series prediction, Engineering Applications of Artificial Intelligence, 23(4):586-594.

15- Filis G., Degiannakis S. and Floros C. 2011. Dynamic correlation between stock market and oil prices: The case of oil-importing and oil-exporting countries, International Review of Financial Analysis, 20(3):152-164.

16- Guresen E., Kayakutlu G. and Daim T.U. 2011. Using artificial neural network models in stock market index prediction, Expert Systems with Applications, 38(8):10389-10397.

17- Kihoro J.M. and Okango E.L. 2014. Stock market price prediction using artificial neural network: an application to the Kenyan equity bank share prices, Journal of Agriculture, Science and Technology, 16(1):161-172.

18- Mostafa M.M. 2010. Forecasting stock exchange movements using neural networks: Empirical evidence from Kuwait, Expert Systems with Applications, 37(9):6302-6309.

19- Neenwi S., Asagba P.O. and Kabari L.G. 2013. Predicting the Nigerian stock market using artificial neural network, Europ Journal of Computer Science Information, 1(1):30-39.

20- N'Zue F.F. 2006. Stock market development and economic growth: evidence from Cote D'Ivoire, African Development Review, 18(1):123-143.

21- Ruiz-Aguilar J.J., Turias I.J. and Jimenez-Come M.J. 2014. Hybrid approaches based on SARIMA and artificial neural networks for inspection time series forecasting, Transportation Research Part E: Logistics and Transportation Review, 67:1-13.

22- Suhendra I. and Anwar C.J. 2014. Determinants of Private Investment and the Effects on Economic Growth in Indonesia, Journal on Business Review (GBR), 3(3):128-133.

23- Tseng C.H., Cheng S.T., Wang Y.H. and Peng J.T. 2008. Artificial neural network model of the hybrid EGARCH volatility of the Taiwan stock index option prices, Physica A: Statistical Mechanics and its Applications, 387(13):3192-3200.

24- Tseng F.M., Yu H.C. and Tzeng G.H. 2002. Combining neural network model with seasonal time series ARIMA model, Technological Forecasting and Social Change, 69(1):71-87.

25- Vui C.S., Soon G.K., On C.K., Alfred R. and Anthony P. 2013. A review of stock market prediction with artificial neural network (ANN), In Control System, Computing and Engineering (ICCSCE), 2013 IEEE International Conference on (pp. 477-482). IEEE.

26- Wang J.Z., Wang J.J., Zhang Z.G. and Guo S.P. 2011. Forecasting stock indices with back propagation neural network, Expert Systems with Applications, 38(11):14346–14355.

27- Yetis Y., Kaplan H. and Jamshidi M. 2014. Stock market prediction by using artificial neural network, In World Automation Congress (WAC), 2014 (pp. 718-722). IEEE.

28- Zhang G.P. 2003. Time series forecasting using a hybrid ARIMA and neural network model, Neurocomputing, 50:159-175.

29- Zhao H. 2010. Dynamic relationship between exchange rate and stock price: Evidence from China, Research in International Business and Finance, 24(2):103-112.

30- Zou H.F., Xia G.P., Yang F.T. and Wang H.Y. 2007. An investigation and comparison of artificial neural network and time series models for Chinese food grain price forecasting, Neurocomputing, 70(16):2913-2923.

31- Zou L., Rose, L.C. and Pinfold J.F. 2007. Asymmetric information impacts: Evidence from the Australian treasury-bond futures market, Pacific Economic Review, 12(5):665-681.