مقایسه عملکرد مدل فاما و فرنچ و شبکه های عصبی مصنوعی در پیش بینی بازده سهام در بورس تهران

در پی توسعه بازارهای مالی، بحث پیش بینی نرخ بازدهی سهام به عنوان یکی از مهم ترین مباحث بازار های پول و سرمایه مطرح شده و در این راستا روشها و مدلهای متعددی برای پیش بینی نرخ بازده بازار ابداع شده و توسعه یافته اند. این تحقیق ، به مقایسه مدل سه عاملی فاما و فرنچ (ff) و مدل شبکه عصبی رگرسیون عمومی (grnn) در پیش بینی بازدهی سهام می پردازد.در این راستا دو فرضیه طراحی شده است. فرضیه اول به مقایسه دقت این دو مدل، در پیش بینی بازده ماهانه سهام 45 شرکت واجد شرایط، می پردازد. فرضیه دوم دقت مدلها را در پیش بینی بازدهی ماهانه شش پرتفوی تشکیل شده مطابق روش شناسی فاما و فرنچ، مورد مقایسه و آزمون قرار می دهد. به منظور آزمون فرضیه ها از داده های مربوط به دوره زمانی سالهای 1378 تا 1388 معاملات سهام شرکتها، در بورس اوراق بهادار تهران استفاده شده است.پس از محاسبه مقادیر بازدهی ماهانه توسط مدل ها، مقدار خطای هر یک از مدلها اندازه گیری و سپس میانگین خطای به دست آمده از دو مدل توسط آزمون t دو نمونه ای جفت شده در سطح اطمینان 95% مورد مقایسه قرار گرفت. این رویه در سطح تمام شرکتهای مورد بررسی در تحقیق (فرضیه اول) و در سطح پرتفوی این شرکتها (فرضیه دوم)، انجام شد و نتایج نشان داد که بین میانگین خطای مدل ها در هر دو حالت، یعنی در سطح بررسی سهام انفرادی و هم بررسی پرتفوی سهام، اختلاف معنی داری وجود دارد.این اختلاف حاکی از برتری مدل شبکه عصبی رگرسیون عمومی بر مدل فاما و فرنچ در پیش بینی بازدهی سهام شرکتها است.