مقايسه كارآيي مدل‏هاي رگرسيون با رويكرد تحليل مؤلفه‏هاي اصلي (PCA) وشبكه‏هاي عصبي مصنوعي درپيش‏بيني بازده غيرعادي

Artificial Neural Networks versus OLS Regression Models Using Principal Components Analysis in Forecasting Unexpected Returns

بسياري از پژوهش‏ها در علم مالي بر پيش‏بيني دقيق بازده شركت‏ها با در نظر داشتن ريسك سرمايه‏گذاري در سهام آن‏ها تمركز داشته‏اند. هدف اين پژوهش،بررسي امكان توضيح بازده غيرعادي(تفاوت بازده مورد انتظار حاصل از مدل قيمت‏گذاري دارايي‏هاي سرمايه‏اي و بازده واقعي) بااستفاده ازنسبت‏هاي مالي وانتخاب ابزاربهتر براي پيش‏بيني آن از بين دومدل رگرسيون چندگانه با رويكرد تحليل مؤلفه‏هاي اصلي (PCA) وشبكه‏هاي عصبي مصنوعي(ANN) است. بر اين اساس توانايي مدل شبكه‏هاي عصبي مصنوعي پيش‏خور با الگوريتم پس‏انتشار خطا (BPN) در پيش‏بيني برون‏ نمونه‏ايِ بازده غيرعادي سهام مورد معامله در بورس اوراق بهادار تهران در سال‏هاي 1384 تا 1391 به طور معناداري بيشتر از توانايي رگرسيون خطي با رويكرد تحليل مؤلفه‏هاي اصلي بوده است.

Financial statements are the main source of information for stock market participants and financial ratios are the primary tool for their analysis. The main goal pursued by this research includes two major questions; First, whether it is possible to gain “unexpected returns” (in excess of expected return, determined by the Capital Asset Pricing Model) using seven financial parameters, for publicly traded companies in Tehran Stock Exchange. Second, as suggested by the research hypothesis, are artificial neural networks superior to ordinary least square regression in forecasting such returns? Based on research findings, artificial neural networks can outperform ordinary least squares models even when the regression model prediction capacity is enhanced by using principal components analysis, in terms of onestepahead forecasting of unexpected returns.