عنوان

بررسی قابلیت پیش بینی بازده انتظاری شبکه های عصبی مصنوعی در بورس تهران با استفاده از مدل های چند عاملی فاما و فرنچ

پ۲۵۶۸۱

per

بررسی قابلیت پیش بینی بازده انتظاری شبکه های عصبی مصنوعی در بورس تهران با استفاده از مدل های چند عاملی فاما و فرنچ

علي محمدنژاد اقدم

اقتصاد و مدیریت

۱۴۰۰

۷۱ص.

سی دی

کارشناسی ارشد

مديريت كسب و كار گرايش مالي

۱۴۰۰/۰۶/۳۱

پیش بینی بازده سهام یکی از مهم ترین چالش های پیش روی مشارکت کنندگان در بازار های مالی است. پیچیدگی و پویایی بازار های مالی، روابط پيچيده و غير خطي میان متغیر های دخیل را ایجاب میکند. یکی از پاسخ های تحقیقات علمی به این نياز هوش مصنوعی است. هدف این تحقیق بررسی قابلیت پیش بینی بازده انتظاري شبکه های عصبی مصنوعی، به عنوان شاخه ای از هوش مصنوعی، با به کارگیری مدل 5 عاملی فاما – فرنچ در بورس تهران مي باشد. این تحقیق به لحاظ هدف کاربردی بوده و از نوع پس رویدادی است که با استفاده از رویکرد مطالعه پورتفو انجام شده است. در اين پژوهش اطلاعات حسابداري و نيز بازدهي شركت هاي نمونه طي سال هاي 1385 تا شهریور 1399 مورد رصد قرار گرفته اند. در مجموع بیش از 7000 بازدهي ماهانه براي شركت هاي نمونه در قالب سبد هاي سرمايه گذاري طي بازه زمانی تحقیق مورد رصد قرار گرفته و جهت ساخت متغير هاي مستقل و وابسته تحقيق استفاده شده اند. براي پيش بيني بازده انتظاري از شبكه هاي عصبي عميق استفاده شده است. براي انتخاب ساختار بهينه، ترکیبات متنوعی از پارامتر های شبکه از جمله تعداد لایه های میانی، تعداد نورون ها و توابع فعالساز مورد آزمون قرار گرفتند و در نهایت يكي از آنها به عنوان ساختار بهينه مورد استفاده در پيش بيني هاي تحقيق قرار گرفت. از زبان برنامه نویسی پایتون ورژن 3.8 برای ساخت شبکه و تحلیل نتایج استفاده شد. نتايج نشان ميدهد كه استفاده از تكنيك يادگيري عميق و مدل های فاما و فرنچ قادر به پیش بینی سبد های پرریسک با 88% ضریب R2 میان مقادیر واقعی و پیش بینی شده می باشند. همچنين به جهت قابليت مقايسه تكنيك به كار گرفته شده در تحقيق، متغير هدف با استفاه از روش رگرسيون خطي نيز مورد پيش بيني قرار گرفت. نتايج از برتري معني دار شبكه عصبي عميق به كار گرفته شده در تحقيق نسبت به رويكرد رگرسيون حكايت دارند.

AbstractPredicting the stock returns is one of the most important challenges facing financial market participants. the complexity and dynamics of financial markets require complex and nonlinear relationship among the variables involved. One of the answers of scientific research to this problem is artificial intelligence.The aim of this study is to investigate the predictability of expected returns of the artificial neural networks, as a branch of artificial intelligence, using Fama-French models in Tehran stock exchange. In this study, accounting data and stock returns of the sample firms for years between 2006 and 2020 were observed. In total, more than 7000 monthly returns in the form of various portfolios have been monitored and used to construct the research variables.Deep neural networks have been used to predict expected returns. To select the optimal structure, various combinations of network parameters including the number of hidden layers, number of neurons and activation functions were tested and finally one of them was used as the optimal structure in the research predictions. Python programming language version 3.8 was used to build the network and analyze the results. The results show that the use of deep learning technique and Fama and French models are able to predict high-risk portfolios with 88% R2 coefficient between actual and predicted values. Also, due to the comparability of the technique used in the research, the target variable was predicted using linear regression method. The results indicate a significant superiority of the deep neural network used in the study over the regression approach.

Investigating the predictability of expected return of artificial neural networks in Tehran Stock Exchange using Fama and French Multi – factor models

‏محمدنژاد اقدم،

‏علي

تهيه کننده

‏فضل‌زاده،

احمديان،

‏عليرضا

‏وحيد

استاد راهنما

استاد مشاور

‏ تبریز