آزمون مدل ناپارامتریک به روش لاسوی گروهی تطبیق یافته جهت شناسایی ویژگی های موثر در پیش بینی بازده مورد انتظار پرتفوی سهام

در این پژوهش یک روش جدید ناپارامتری با استفاده از مدل لاسوی گروهی تطبیق یافته برای انتخاب ویژگی ها و مطالعه اینکه کدامیک از ویژگی ها، اطلاعات مضاعفی را برای پیش بینی بازده مورد انتظار مقطع عرضی ارائه می دهند، بکارگرفته شده است. از میان تعداد کثیری از ویژگیهای مطرح شده در مطالعات گذشته، اثر 36 ویژگی بر روی بازده مورد انتظار پرتفوی سهام در بورس اوراق بهادار تهران (1387- 1396) مورد بررسی قرارگرفت. نتیجه این پژوهش نشان می دهد که تنها سه تا پنج ویژگی ، اطلاعات مضاعفی برای پیش بینی بازده مورد انتظار پرتفوی سهام ارائه می دهند. بعبارتی تنها ویژگی های بازده 2 تا 1 ماه قبل از پیش بینی، نوسانات کل، بتا، حداکثر بازده روزانه و نسبت قیمت به بالاترین قیمت دارای قدرت پیش بینی بازده مورد انتظار پرتفوی سهام می باشند. مابقی ویژگی های بررسی شده قدرت پیش بینی بازده مورد انتظار را ندارند.

nonparametric model test by using adaptive group lasso method to identify the effective features in predicting the expected returns of stock portfolios

in this paper, a new nonparametric method is applied using the adaptive group lasso for selecting features and studying which of the features provide incremental information for predicting the cross-sectional expected return. out of many features mentioned in previous studies, the effect of 36 characteristics on the expected returns of stock portfolios in tehran stock exchange (1396-1387) was investigated.the result of this study shows that only three to five features provide incremental information to predict the expected return on stock portfolios. therefore, only the return characteristics of 2 to 1 month before the forecast, total fluctuations, beta, maximum daily returns, and the ratio of price to the highest price have the power to predict the expected return on stock portfolios. the rest of the studied features do not have the power to predict expected returns.