كاربرد سامانه‌هاي پوياي پارامتري و ناپارامتري در پيش‌بيني بازدهي سهام: مطالعه موردي بازار بورس تهران

Application of Dynamic Parametric and Non Parametric Systems in Stock Market Return Forecasting: Case Study of Tehran

با توجه به نقش بازارهاي سرمايه در فرايند تجميع و توزيع منابع مالي، اين بازارها و به‌ويژه بازار بورس همواره مورد توجه سرمايه‌گذاران داخلي و خارجي و دولت ها بوده‌اند. از جمله مسايل بازارهاي مالي، مسيله ريسك و مديريت آن است كه در بازار بورس اين مقوله ارتباط تنگاتنگي با پيش‌بيني قيمت و بازده سهام دارد كه اهميت آن در سنجش كارايي اطلاعاتي بازار منعكس شده ‌است. بر اين اساس، پژوهش حاضر به دو روش متفاوت؛ پوياپارامتري با استفاده از مدل نوساني ARMA-PGARCH و رويكرد پوياناپارامتري با بهره‌گيري از شبكه عصبي خودبازگشتي NARX به مدلسازي و پيش‌بيني بازده بورس تهران مي‌پردازد. پيش‌بيني‌ها به دو صورت درون‌داده‌اي و برون‌داده‌اي و بر مبناي مشاهدات روزانه طي دوره 6/7/1376 تا 02/03/1394 انجام شده است. بر اساس نتايج به‌دست آمده، دقت مدل‌ها در زمينه پيش بيني، مقايسه گرديده و همچنين كارايي اطلاعاتي بورس تهران مورد بررسي قرارگرفته است. نتايج پژوهش حاضر نشان‌دهنده عملكرد و كارايي دقيق سامانه پوياي ناپارامتريك در مقايسه با رويكرد پارامتريك بوده است. همچنين، يافته‌ها حاكي از عدم كارايي اطلاعاتي بازار بورس تهران در سطح ضعيف آن مي‌باشد.

Paying attention to the role of capital markets in providing suitable floor for capital gathering and distribution of financial resources, such markets and stock markets in particular are in the center of attention of domestic and foreign investors as well as government sector. One of the major issues in such markets is risk management that in the stock market this problem is closely related to the price or return forecasting and its importance has reflected in evaluation of market informational efficiency. in this regard, the present study focuses on two different methods: (a)dynamic-parametric method of ARMA-PGARCH and (b): dynamic-nonparametric procedure of NARX artificial neural network and forecasting Tehran stock return. Predictions are carried out in the form of in-sample and out-sample using daily observations of TEPIX from Septemper-1997 to May-2015. Forecasting horizon of next five working days has adopted for the out-sample prediction and eight error criteria are picked out in order to assess accuracy of each approach. Outcomes of this research implying higher precision of the dynamic neural network performance in comparison with the parametric method of ARMA-PGARCH. In addition, the results are in favor of inexistence of weak-form of informational efficiency in Tehran stock market.