پیش‌بینی بازده سهام بورس تهران: مقایسه رویکردهای بیزی، هموارسازی نمایی و باکس جنکینز

پیش‌بینی بازده سهام برای سرمایه‌گذاران در بازارهای مالی از اهمیت فراوانی برخوردار است. به ‌طور کلی چهار روش برای پیش‌بینی قیمت سهام وجود دارد: تحلیل تکنیکال، تحلیل بنیادی، پیش‌بینی سری‌های زمانی کلاسیک و روش یادگیری ماشینی. این مطالعه در دسته سوم؛ یعنی پیش‌بینی سری زمانی که در آن مقادیر یک متغیر در طول زمان پیش‌بینی می‌شود، قرار می‌گیرد. بررسی مطالعات انجام شده نشان می‌دهد پیش‌بینی قیمت سهام بیشتر با روش‌هایی چون شبکه عصبی و الگوریتم ژنتیک که در گروه روش یادگیری ماشینی قرار دارند، بوده است. عدم کاربرد روش بیزین، هموارسازی نمایی و باکس جنکینز در مطالعات انجام شده مشهود است. در واقع تمایز این پژوهش با سایر مطالعات، کاربرد روش‌های بیزین، هموارسازی نمایی و باکس جنکینز و مقایسه آن‌ها در پیش‌بینی بازده سهام است. این مطالعه پیش‌بینی با سری‌های زمانی با سه روش مختلف فوق را مورد استفاده قرار داده است. بازه زمانی این مطالعه از 1397/01/06 تا 1399/12/27 در تناوب روزانه است. براساس معیار ریشه میانگین مربع خطاها (rmse) که کاهش آن تنها در صورتی ممکن است که روش مورد استفاده اطلاعات بیشتری را از  فرآیند سری زمانی داده‌ها لحاظ کند. نتیجه این مطالعه نشان‌دهنده برتری روش بیزی بر سایر روش‌ها است. این تحقیق اهمیت توجه به این روش‌ پیش‌بینی در بازده  بازارهای مالی را نشان می دهد.

Tehran Stock Exchange Return Forecasting: Comparison of Bayesian, Exponential Smoothing and Box Jenkins Approaches

Stock returns forecasting is very crucial for investors, shareholders and arbiters. Different methods have been developed for this purpose. In general, there are four methods of forecasting in stock markets, which are; Technical Analysis, Fundamental Analysis, Traditional Time Series and Machine Learning. This study is classified in the third category that is a time series prediction in which the values of a variable are predicted over time. Studies which have been done so far indicate that most of them concentrate on Neural Networks and Genetic Algorithm which are in Machine Learning class and none of them uses Bayesian approach or Exponential Smoothing and Box Jenkins techniques placed in the group of time series forecasting. This paper focuses on forecasting with time series methodology for predicting and comparing the results of the Bayesian, Exponential Smoothing and Box Jenkins methods together. In fact, the difference between this study and others is the comparison of the mentioned methods for stock return forecasting. The period of investigation was 2018 2020, which covers daily frequency structure. Results, indicated that Bayesian method, based on the Root Mean Square Error (RMSE) criterion is the best technique for the prediction of stock returns. This is because, in addition to information derived from data, this method also uses other sources of information such as nonsample information or vague prior density as well for forecasting. Results illustrate the importance of considering the Bayesian approach in predicting stock market returns.