پیش‌بینی بازده سهام شرکت‌ها با استفاده از نسبت‌های مالی تحت رویکرد درخت تصمیم

هدف از پژوهش حاضر این است که با استفاده از نسبت‌های مالی، به مدلی بر پایه نسبت‌های مالی برای پیش‌بینی بازده جاری و آتی شرکت‌ها دست بیابیم. در این پژوهش به‌منظور بررسی توانایی نسبت‌های مالی در تبیین بازده جاری و پیش‌بینی بازده آتی سهام، از روش درخت تصمیم استفاده شده است. در این روش مجموعه‌ای از شرط‌های منطقی به‌صورت یک الگوریتم با ساختار درختی برای پیش بینی و تبیین یک پیامد به‌کار می‌رود. از این ‌رو مدل های حاصل از چهار الگوریتم درخت تصمیم (شامل chaid، echaid، quest و crt) با استفاده از 70 درصد داده‌های پژوهش شکل گرفته و نتایج حاصل از آزمون آن‌ها در 30 درصد باقیمانده داده‌ها به‌وسیله معیار هایی نظیر صحت، دقت و جداول درهم‌ریختگی مقایسه شده است. از اطلاعات 317 شرکت پذیرفته شده بورس اوراق بهادار تهران طی سال‌های 1381 تا 1392 در این پژوهش استفاده شده است. نتایج به‌دست آمده نشان می‌دهد که الگوریتم‌های crt و echaid در تبیین بازده جاری و الگوریتم chaid در پیش بینی بازده آتی بهترین عملکرد را دارند. همچنین قدرت مدل‌ها در تبیین بازده جاری بیشتر از پیش‌بینی بازده آتی است. چون در هر دو حالت توانایی مدل‌ها از نظر آماری قابل اتکا نبوده، فرضیه برقراری ارتباط تبیینی بین نسبت‌های مالی طرح شده در این پژوهش و تغییرات بازده جاری و آتی سهام رد می‌شود.

Prediction of Stock Return Using Financial Ratios: A Decision Tree Approach

The purpose of this paper is to develop a model for prediction of present and prospect stock return using financial ratios. For this purpose, decision tree method was used. In this approach, a set of logical conditions in a hierarchical algorithmic model have been used for prediction or recognition of an event. Hereupon in this research, 70 percent of data were used to produce models in four popular decision tree algorithms (CHAID, ECHAID, QUEST and CRT) and the results of the tests were compared in 30 percent of residual of data with some of performance measures like accuracy, sensitivity and specificity. Information of 317 companies accepted in Tehran Stock Exchange was used in this study. The results indicated that ECHAID and CRT algorithms performed best in the prediction of present and CHAID algorithm in that of future. It was also shown that the models were better in that of present compared to that of future. The abilities of the models, however, were not significant in both cases. Accordingly, the hypothesis of the study was rejected.