طراحی مدل پیش بینی بازده بلندمدت سهام با شبیه سازی ناپارامتریک بازده اوراق بدهی
Publish place: Financial Management Perspective، Vol: 8، Issue: 21
Publish Year: 1397
نوع سند: مقاله ژورنالی
زبان: Persian
View: 202
This Paper With 23 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_FINANC-8-21_007
تاریخ نمایه سازی: 15 آبان 1400
Abstract:
پیشبینی نرخ بازده سهام همواره یکی از مباحث مهم بازارهای مالی بوده و یکی از فاکتورهای مهم سرمایهگذاری است. هدف اصلی این پژوهش، پیشبینی بازده اضافی سهام بر اساس داده های مبتنی بر اوراق بدهی و سایر متغیرهای اقتصادی و بازار سرمایه در ایران است. مدل ارایه شده بر رابطه غیرخطی میان مجموعهای از متغیرهای کمی تاکید دارد و مبنای ساختاربندی آن، مدلهای پارامتریک و ناپارامتریک با به کارگیری هموارسازی موضعی و خطی هستهای است. ابتدا متغیرهای تاثیرگذار بر نرخ بازده اوراق بدهی مورد بررسی و شناسایی قرار گرفت. پس از شناخت متغیرهای تاثیرگذار در مرحله اول، مدل پیش بینی نرخ بازده اوراق بدهی ساختاربندی شد. این مدل سازی بر اساس دو روش پیشبینی پارامتریک و ناپارامتریک نرخ بازده اوراق بدهی طراحی و ارایه شد. در ادامه به منظور تعیین عامل های تاثیرگذار بر پیش بینی نرخ بازده اضافی سهام، ساختاربندی مدل به صورت خطی پارامتریک و غیرخطی ناپارامتریک و با استفاده از نتایج حاصل در سه گام مختلف و با رعایت معیار مورد بررسی قرار گرفت. نتایج حاصل از اجرای مدل نشان میدهد در تمامی سه گام مورد بررسی و بر اساس معیار ، نتایج حاصل از اجرای مدلهای مختلف بر اساس رویکرد ناپارامتریک بهتر از رویکرد پارامتریک عمل میکند.
Keywords:
هموارسازی موضعی خطی هسته ای , پیش بینی , بازده اضافی سهام , شبیه سازی ناپارامتریک , بازده اوراق بدهی
Authors
حسن قالیباف اصل
دانشگاه الزهرا
رضا تهرانی
دانشگاه تهران
محمدرضا رستمی
دانشگاه الزهرا
علیرضا سیری
دانشگاه تهران
مراجع و منابع این Paper:
لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :