آزمون تغییرپذیری عوامل موثر در پیش‌بینی بازده سهام با استفاده از مدلهای میانگین گیری پویا (dma)

در این تحقیق تلاش شده‌ است با استفاده از مدل‌های میانگین‌گیری پویا و داده‌های ماهانه در بازه زمانی 1388:1 تا 1396:12 بازدهی سهام در بورس اوراق بهادار تهران بررسی شود. در این راستا متغیرهای کلان و شاخص‌های بازارهای موازی به منظور پیش‌بینی بازده سهام مورد استفاده قرار‌گرفته‌است. نخست با برآورد مدل‌های رگرسیون بازگشتی، مدل‌های پارامتر متغیرزمان (tvp)، مدل انتخابی پویا (dms) و مدل میانگین‌گیری پویا (dma) در نرم افزار متلب مشاهده گردید مدل dms با 0.95 =α β= بر اساس معیارهای سنجش عملکرد پیش‌بینی) mafe، msfe و log(pl) ( از دقت پیش‌بینی بالاتری در مقایسه با سایر روش‌ها برخوردار است. همچنین بر اساس نتایج برآورد متغیر قیمت طلا (48 دوره)، نرخ ارز (36 دوره) و متغیر تورم (30 دوره) به ترتیب بالاترین و متغیرهای قیمت جهانی نفت و تولید ناخالص داخلی نیز به ترتیب با 28 و 2 تکرار کمترین تاثیر را بر بازدهی سهام داشته‌اند. نتایج مبین آن است که استفاده از مدل‌های پویا با در نظر گرفتن تغییرات زمانی پارامترها و تغییر در مدل، کارایی پیش‌بینی بازدهی سهام را افزایش می‌دهد.

Factor Variability Test in Stock Return Forecasting Using Dynamic Model Averaging (DMA)

In this study, using dynamic averaging models and monthly data in the period 2001:4 until 2018:3, Tehran Stock Exchange returns be investigated. In this regard, macroeconomics variables and parallel markets indices have been used to forecast the stock returns. Initially, estimating various models such as Recursive models, timevarying parameter models (TVP), dynamic model selection (DMS) and dynamic model averaging (DMA) in Matlab software, It was observed that DMS model with α = β = 0.95 had higher forecast accuracy (based on MAFE, MSFE and Log (PL) metrics). Gold price (48period), exchange rate (36period) and inflation rate (30period) had the highest effect on stock returns, respectively, and global oil prices and GDP had the lowest effect by 28 and 2, respectively. Finally, the results indicate that utilizing dynamic models by considering time variations in parameters and the variation of the model increases the efficiency of forecasting stock returns. Keywords: Forecasting, Stock Returns, timevarying Parameter (TVP), Dynamic Model Averaging (DMA).