بررسي سودمندي روش هاي كاهش متغيرها در پيش بيني بازده سهام شركت هاي پذيرفته شده در بورس اوراق بهادار تهران

The Usefulness of Variables (Dimension) Reduction Methods in Stock Returns of the Companies Listed on Tehran Stock Exchange

هدف اين پژوهش، بررسي سودمندي روش هاي مختلف كاهش (انتخاب و استخراج) متغيرها در پيش بيني بازده سهام شركت هاي پذيرفته شده در بورس اوراق بهادار تهران است. در اين راستا، با بررسي پيشينه پژوهش، 52 متغير اوليه كه بيشتر در ادبيات استفاده و داده هاي مورد نياز براي سنجش آنها در دسترس بود، جستجو و با استفاده از روش انتخاب متغير ريليف و روش استخراج متغير تحليل عاملي، متغيرهاي بهينه از بين متغيرهاي اوليه، انتخاب يا استخراج شد. در ادامه، با استفاده از 52 متغير اوليه و همچنين با متغيرهاي انتخاب يا استخراج شده در روش هاي مزبور به پيش بيني بازده سهام 101 شركت پذيرفته شده در بورس اوراق بهادار تهران در بازه زماني 1383 الي 1392 پرداخته شده است. به منظور پيش بيني نيز از رگرسيون غيرخطي درخت تصميم و رگرسيون خطي استفاده شده است. يافته هاي تجربي اين پژوهش حاكي از سودمندي هر دو روش كاهش متغير (نسبت به استفاده از 52 متغير اوليه)، سودمندي بيشتر روش ريليف نسبت به تحليل عاملي و همچنين عملكرد بهتر درخت تصميم نسبت به رگرسيون خطي است.

The Purpose of this research is investigating the usefulness of variables (dimension) reduction methods (selection and extraction) in stock returns of the companies listed on Tehran Stock Exchange (TSE). In this regard, through reviewing literature, 52 predictive features (variables) were specified as the initial features based on the popularity in the literature and the availability of the necessary data. By using variables selection (relief) and variables extraction (factor analysis) methods, optimal variables (factors) are selected or extracted from initial variables. Subsequently, the stock returns of 101 firms listed on TSE from 2004 to 2013 were predicted utilizing decision tree and linear regression. The experimental results confirmed the usefulness of variables (dimension) reduction methods in stock return prediction and better performance of relief (relative to factor analysis). Furthermore, the results indicated that decision tree outperforms the linear regression.