پيش بيني بازده سهام با استفاده از مدل هاي غيرخطي آستانه اي و بررسي نقش حجم معاملات در بهبود عملكرد اين مدل ها

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

در طول سال هاي اخير مدل هاي سري زماني غير خطي يكي از ابزارهاي جديد در توصيف و پيش-بيني بازدهي سهام بوده است. شواهد بسياري رابطه عكس بين بازدهي آينده سهام و حجم معاملات را تاييد كرده است. وجود اين رابطه نشان مي دهد، حجم معاملات مي‎تواند به عنوان متغير آستانه اي مناسب در مدل هاي خودتوضيح آستانه اي (TAR) و خودتوضيح انتقال هموار لجستيك (LSTAR) استفاده شود. در اين پژوهش توانايي مدل هاي خطي ARMA و مدل هاي TAR و LSTAR مقايسه شده است. علاوه بر اين از متغير حجم معاملات به عنوان متغير آستانه اي يا انتقال در مدل هاي TAR و LSTAR استفاده شده است. بدين منظور نمونه اي از 26 شركت در طول سال-هاي 1380 تا 1388 از شركت هاي بورس اوراق بهادار تهران مورد مطالعه قرار گرفتند. از داده‎هاي 7 سال به عنوان داده هاي آموزشي و از داده هاي 2 سال به عنوان داده هاي آزمايشي استفاده شد. با استفاده از آزمون دايبلد ماريانو ، عملكرد مدل ها مورد مقايسه قرارگرفت. نتايج نشان دادند، مدل هاي غيرخطي از قدرت پيش‎بيني بالاتري نسبت به مدل ARMA برخوردارند. همچنين به‎كارگيري حجم معاملات در مدل هاي غيرخطي عملكرد اين مدل ها را بهبود نبخشيد.

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.