مقایسه برآورد تلاطم بازارهای مالی با استفاده از مدل رگرسیون و مدل شبکه عصبی

اقتصاد مالی

دوره 14، شماره 52، آذر 1399، صفحه 223-240   

نوع مقاله: علمی پژوهشی

شناسه دیجیتال (DOI): 20.1001.1.25383833.1399.14.52.10.0)

نویسندگان

محمد عظیم خدایاری¹؛ احمد یعقوب نژاد^{* 2}؛ مریم خلیلی عراقی³

¹گروه مدیریت مالی ، دانشکده مدیریت و اقتصاد، دانشگاه آزاد اسلامی واحد علوم تحقیقات، تهران، ایران

²دانشیار گروه حسابداری، دانشگاه آزاد اسلامی واحد تهران مرکزی،تهران،ایران.

³استادیار گروه مدیریت مالی، دانشگاه آزاد اسلامی واحد علوم و تحقیقات تهران، ایران

چکیده

تلاطمبهعنوانیکعاملمؤثردرتعیینریسکسرمایه گذاری،میتواندنقشمهمیدر تصمیم گیریسرمایه گذارانایفاکند. یکتخمینمناسبازتلاطمبازاردریکدورةسرمایه گذارینقطةآغازینبسیارمهمیدرکنترلریسکسرمایه گذاری است. تلاطم در بازارهای مالی نقشی کلیدی ایفا می کند، بنابراین ان را باید شناخت واندازه گیری و پیش بینی کرد و برنامه ای  در نظر گرفت که بتوان تلاطم بازار را که برتصمیم سرمایه گذاران تاثیر دارد را مدیریت نمود. با توجه به اهمیت پیش بینی تلاطم بازار، هدف اصلی پژوهش حاضر مقایسه دو روش پیش بینی تلاطم بازار است. نتایج این پژوهش نشان می دهد که ترکیب شبکه عصبی مصنوعی و نسبت های مالی قابلیت پیش بینی تلاطم بازار سرمایه گذاری را دارند و با توجه به مجموع مجذور خطا مدل ارائه شده با استفاده از شبکه عصبی در این پژوهش عملکرد بهتری در پیش بینی تلاطم بازار سرمایه گذاری نسبت به رگرسیون خطی دارد.
Volatility as an effective factor in determining investment risk can play an important role in decision making of investors. An appropriate estimate of market volatility in an investment period is an important starting point in investment risk control. Volatility plays a key role in financial markets, so it needs to be recognized and calculated, and plans to manage market volatility that affect investors ' decision. Due to the importance of market volatility, the main objective of this research is to compare two methods before market volatility. The results of this research show that the combination of artificial neural network and financial ratios are capable to predict the volatility of capital market volatility and according to the total error of the model presented using neural network in this research has better performance in the forecasting of capital market volatility than linear regression.                    

کلیدواژه‌ها

تلاطم بازار؛ سرمایه گذاری؛ شبکه عصبی. طبقه بندی JEL:G1؛ G10؛ G11؛ G17

اصل مقاله

مقایسه برآورد تلاطم بازارهای مالی با استفاده از مدل رگرسیون

 و مدل شبکه عصبی*

 

محمدعظیم خدایاری^[1]

 

تاریخ دریافت: 27/04/1399            تاریخ پذیرش: 31/06/1399

احمد یعقوب نژاد^[2]

مریم خلیلی عراقی^[3]

 

چکیده

تلاطمبهعنوانیکعاملمؤثردرتعیینریسکسرمایه گذاری،میتواندنقشمهمیدر تصمیم گیریسرمایه گذارانایفاکند. یکتخمینمناسبازتلاطمبازاردریکدورةسرمایه گذارینقطةآغازینبسیارمهمیدرکنترلریسکسرمایه گذاری است. تلاطم در بازارهای مالی نقشی کلیدی ایفا می کند، بنابراین ان را باید شناخت واندازه گیری و پیش بینی کرد و برنامه ای  در نظر گرفت که بتوان تلاطم بازار را که برتصمیم سرمایه گذاران تاثیر دارد را مدیریت نمود. با توجه به اهمیت پیش بینی تلاطم بازار، هدف اصلی پژوهش حاضر مقایسه دو روش پیش بینی تلاطم بازار است. نتایج این پژوهش نشان می دهد که ترکیب شبکه عصبی مصنوعی و نسبت های مالی قابلیت پیش بینی تلاطم بازار سرمایه گذاری را دارند و با توجه به مجموع مجذور خطا مدل ارائه شده با استفاده از شبکه عصبی در این پژوهش عملکرد بهتری در پیش بینی تلاطم بازار سرمایه گذاری نسبت به رگرسیون خطی دارد.

 

واژه‌های کلیدی:تلاطم بازار، سرمایه گذاری، شبکه عصبی.

طبقه بندی JEL:G1,G10,G11,G17

 

1- مقدمه

محاسبه سرمایه یکی از مهمترین شاخصهای  تلاطم بازار محسوب می شود و در محاسبه نرخ تورم نقش بسزائی را ایفا می کند.این شاخص از یک سو بر ثروت و سرمایه‌گذاری بخشهای تولیدی و صنعتی تأثیر گذار بوده و می‌تواند در نحوه تصمیم‌گیری دست اندرکاران بازار سرمایه، برنامه‌ریزان اقتصادی، سیاست مداران نقش جزئی را ایفا نموده و از سوی دیگر تغییرات و نوسانات شدید آن می‌تواند به راحتی منجر به خلق مشکلات و بحرانهای اقتصادی،‌ اجتماعی و حتی سیاسی کشور شود. مدل سازی تلاطم بازار موضوع مهمی برای مجموعهعوامل فوق محسوب می شود. در پژوهش حاضر با استفاده از شبکه‌های عصبی مصنوعی به مدلی طراحی  می شود که قادر به پیش‌بینی تغییرات این شاخص باشد.

با گسترش و توسعه بازار سرمایه کشور، بخش قابل توجهی ازدارایی سرمایه گذاران در قالب سهام شرکتهای پذیرفته شده در بورس جذب سرمایه گذاری های مالی شده است. ماهیت فعالیتهای تجاری وسرمایه گذاری به گونه ای است که کسب بازدهی مستلزم تحمل ریسک است. شناخت، اندازه گیری و پیش بینی تلاطم در بازارهای مالی نقشی کلیدی در این فعالیتها ایفا می کند. مدیریت تلاطم بازار زمینه لازم برای بودجه بندی ریسک، ارزیابی عملکرد مدیران پرتفوی و تعیین استراتژی هایمناسب سرمایه گذاری های ریسک پذیر را فراهم می آورد. مدیریت ریسک کاربرد سیستماتیک سیاستهای مدیریتی، رویه ها وفرایندهای مربوط به فعالیتهای تحلیل, ارزیابی و کنترل تلاطم بازار می باشد. مدیریت ریسک فرایندی شامل دو فاز اصلی می باشد فاز تخمین و فاز کنترل تلاطم. اگرچه در حال حاضر ریسکهای موجود در بازار قابل شناساییاست. اما بحث اصلی، مدیریت کردن ریسک های موجود وبه حداقل رساندن آن هاست. تحقیق حاضر به دنبال پاسخ گویی به امکان برآورد تلاطم بازار با استفاده از مدل شبکه های عصبی و میزان کارایی آن می باشد؟ 

 

2- مبانی نظری

در یک مفهوم کلی، تلاطم بازار را می‌توان اختلال در عملکرد نرمال بازار مالی تعریف کرد (ایلینگ و لئو[i]، 2006). به بیان دیگر، تلاطم بازار به‌عنوان شرایطی شناخته می‌شود که در نتیجه عدم اطمینان و تغییر انتظارات نسبت به زبان بازارها و مؤسسات مالی ایجاد شده و بر متغیرهای اقتصادی تأثیر می‌گذارد (ات و همکاران[ii]، 2011، درگاهی، 1387، ایلینگ و لئو، 2006).

تلاطم بازار در بازارهای مختلف از قبیل سیستم بانکی، بازار ارز، بازار بدهی و بورس دیده می‌شود (ایلینگ و لئو، 2006) و با افزایش زیان مالی مورد انتظار، ریسک (گسترش توزیع زیان احتمالی) و عدم اطمینان (اطمینان کمتر در خصوص شکل توزیع زیان)، افزایش می‌یابد (ات و همکاران، 2011؛ ایلینگ و لئو، 2006).

تلاطم بازار محصول ساختارهای آسیب‌پذیر و شوک‌های وارده بر سیستم مالی است. شکنندگی مالی توصیف‌کننده ضعف‌های موجود در شرایط یا ساختار مالی است و شوک‌ها زمانی که شرایط مالی مناسب نیست (از قبیل کاهش سریع جریان‌های نقدی، اهرمی شدن ترازنامه‌ها، ریسک‌گریزی بیشتر سرمایه‌گذاران، ساختار ضعیف سیستم مالی، سیستم‌های کامپیوتری با حجم زیادی از داده‌های انباشته شده، عدم تقارن اطلاعاتی و غیره) با احتمال بیشتری به تلاطم بازارمنجر می‌شوند.بنابراین اندازه شوک و شکنندگی مالی، سطح تلاطم بازار را تعیین خواهد کرد (ایلینگ و لئو، 2006). به‌عنوان‌مثال یک شوک منفی زمانی که شرایط مالی ضعیف است، با احتمال زیاد منجر به افزایش تلاطم بازار خواهد شد.

 وجودتلاطمونااطمینانی،بسیاریازسرمایهگذارانوتحلیلگرانمالیرانگرانکرده وموجبشدهاستکهبهدنبالابزارهاییبرایکاهشریسکوارزیابیچشماندازآینده فعالیتشانباشند. (منسیوهمکاران، 2013)

نوساندریکبازار،سرمایهگذارراترغیبمیکندتاسبدداراییخودراتغییردهد. اینموضوعمیتواندآشفتگیرادربازار بحرانزدهتشدیدکندوتلاطموشوکهارابهبازارهایدیگرانتقالدهد. (خلیفهو همکاران، 2014)

شواهدنشانمیدهدکهاینبازارهاازیکدیگرجدانیستندوباهمدر ارتباطهستند،بههمیندلیل،تلاطممیتواندازبازاریبهبازاردیگرمنتقلشود. درنتیجه، تحلیلیکبازارداراییمالیبدوندرنظرگرفتنشرایطدیگربازارهاتقریباًفاقداعتبار بودهونیازاستتحلیلگران،تحلیلهایخودرابر اساسروابطبینبازارداراییهایمالی مختلفانجامدهند. (حسینیون و همکاران، 1395)

اینمسایلمنحصربهکشورهایدرحالتوسعهنیست،بلکهبسیاریازکشورهای توسعهیافتهنیزباآنروبهروهستند،اماکشورهایدرحالتوسعه(ازجملهایران) ازبیثباتی بالاییبینمتغیرهایکلاناقتصادیبرخوردارند. بررسیروندتحولاتبازارهایسهام، طلاوارزدرایرانبهوضوحنشانمیدهدکهقیمتاینداراییهاوتلاطممربوطبهآندر سالهایاخیردستخوشتغییراتناگهانیقابلتوجهیشدهاست. (حسینیون و همکاران، 1395)

ازتابستان1390،اقتصاد ایراندرنتیجهاعمالتحریمها،هدفمندسازییارانههاورشدفزایندهنقدینگی،وضعیت بسیارویژهایراشاهدبودهاست. بعدازمدتهامدیریتنرخارزدرکشور،بیثباتیبازار ارزرافراگرفتوبهدنبالاینمسأله،بازارسکهوطلادچارتلاطمفزایندهایشد. همچنین رکوردشکنیهایشاخصبورساوراقبهادارتهرانازسال1391آغازشد. باتوجهبه رکودفعالیتهایاقتصادیوتورمبالا،ورودبهبورساوراقبهادار،بازارسکهیابازارارز بهعنوانآلترناتیوهای(جایگزینهای) سرمایهگذاریپیشرویسرمایهگذاراندراقتصاد ایرانقرارگرفتند. (حسینیون و همکاران، 1395)

بنابراین،بررسیتلاطمونحوهانتقالآندربینبازارهایمالیازحیث سیاستگذاریبسیارمهمبودهوبهعنوانیکابزاراقتصادیکارآمدبرایدستیابیبهتولید واشتغالموردتوجهسیاستگذاراناقتصادیاست،زیرادرکوتشخیصصحیحرفتار تلاطمقیمتدراینبازارهادراتخاذسیاستهایکنترلیمناسبازاهمیتبالایی برخورداراست. تلاطمباعثایجادنااطمینانی،ضربهبهاعتمادعمومیوکاهش سرمایهگذاریمیشودواز اینرو،درکنادرستارتباطمتقابلبازارهامیتواندبهاتخاذ سیاستهایاقتصادینامناسبوضدتولیدیمنجرشود. (کارولی[iii]، 1995)

برآورد تلاطم بازار از مهمترین شاخص‌های بازار سرمایه می‌باشد، که نه تنها بعنوان نماگرهای اقتصادی نشان دهنده روند سرمایه گذاری  هستند، بلکه به عنوان یک عامل موثر در سرمایه گذاری بکار برده می‌شوند. هم اکنون در بسیاری از کشورهای جهان این شاخص تهیه و مورد استفاده قرار می‌گیرد. زیرا با توجه به توسعه تئور‌ی‌های اقتصادی و مالی  جدید استفاده از این شاخص به عنوان یک نماگر مهم اقتصادی، بسیار توسعه یافته است. و از سوی دیگر چون این شاخص از نظر مفهوم کاربردی در بازار بورس مفیدتر واقع می‌شود، محاسبات آن از اهمیت ویژه‌ای برخوردار می‌باشد، چرا که این شاخص روند تغییرات قیمت‌ها از دیدگاه تولید کنندگان و خریداران در بخشهای مختلف بورس اوراق بهادار از قبیل صنعت و معدن، کشاورزی، خدمات و ... را نشان می‌دهد و می‌تواند به عنوان یک نماگر پیش‌نگربرای نشان دادن زودی هنگام روند توری مورد استفاده قرار گیرد. لذا با توجه به مهم بودن موضوع می‌توان با پیش‌بینی صحیح و به هنگام این شاخص نقش بسزائی در برنامه‌ریزی و هدف‌گذاری سیاست‌های تلاطم بازار را ایفا نماید.

پیش بینی تلاطم یکی از مهمترین موضوعات مورد مطالعه در بازارهـای مـالی دنیـا است. تلاطم به عنوان یک عامل مؤثر در تعیین ریسک سرمایه گـذاری، مـیتوانـد نقـش مهمی در تصمیم گیری سرمایه گذاران ایفا کند. یـک تخمـین مناسـب از تلاطـم قیمـت سهام یا معامله های اختیار در یک دورة سرمایه گـذاری نقطـة آغـازین بسـیار مهمـی در کنترل ریسک سرمایه گذاری است. اهمیت عامل تلاطـم در بازارهـای مـالی مختلـف در تعیین قیمت معامله های اختیار و سهام شرکتها تعیین کننده بوده و در کشـورهائی بـا بازارهای مالی گسترده، برای تعیین سیاستهای پولی مؤثر غیرقابـل انکـار اسـت. ولـی ماهیت تلاطم در بازارهای مختلف متفاوت بوده و با وجود آنکـه اسـتفاده از روشهـای آماری در بررسی تلاطم در بیشتر بازارهای مالی کشورهای پیشرفته بسیار مدنظر است، ولی تاکنون هیچ روش قطعـی برای پیش بینی تلاطم بازده سبد سهام به عنوان روشی با قابلیت اطمینان بـالا مطـرح نبوده است.

با توجه به اندازه و گوناگونی سیستم‌های مالی، می‌توان منابع بالقوه متعددی را برای تلاطم بازار شناسایی کرد. براساس این نگرش، تلاطم بازار در هر جایی از سیستم مالی می‌تواند ظاهر شده و تا زمانی که به حد قابل توجهی نرسیده و گسترش نیافته موردتوجه قرار نگیرد. لذا تلاطم بازاریک متغیر پیوسته است که به حد نهایی آن بحران مالی می‌گویند (درگاهی، 1387؛ ایلینگ و لئو، 2006).

بحران مالی حادثه‌ای است که باعث کاهش ارزش اقتصادی یا عدم اطمینان به سیستم مالی می‌شود و اثر معکوس معنادار بر بخش حقیقی اقتصاد دارد (ایلینگ و لئو، 2006). اگرچه تلاطم بازار به ‌طور مستقیم قابل‌مشاهده نیست ولی می‌تواند در بسیاری از متغیرهای بازار مالی منعکس شود (روی[iv]، 2012، 2011). تلاطم بازار می‌تواند خود را به روش‌های مختلف در یک سیستم مالی نمایان کرده و اختلال در یک بازار را به سایر بازارها بکشاند (ایلینگ و لئو، 2006).

مطابق با ادبیات پژوهش مشخصه‌هایی از قبیل عدم اطمینان در خصوص ارزش بنیادین دارایی‌ها، کاهش تمایل به نگهداری دارایی‌های ریسکی، کاهش تمایل به نگهداری دارایی‌های غیرنقد و افزایش عدم تقارن اطلاعاتی به‌عنوان مشخصه‌های تلاطم بازارمحسوب می‌شوند (درگاهی، 2010، هاکیو و کیتن[v]، 2009).

مفاهیم پیش بینی بازار سرمایه  می تواند به دو دسته تحلیل بنیادی و تحلیل تکنیکی طبقه شود.بررسیعلمیدربارهعواملاساسیتعیین کنندهارزشسهامراتجزیهوتحلیلبنیادیمی نامند . تحلیلگربنیادیبهبررسی داراییها،بدهیها،فروش،ساختاربدهی،درآمد،محصول،سهمبازار،ارزیابیمدیریتبنگاهومقایسهآنباسایرشرکتهایمشابه می پردازدودرنهایتارزشواقعیسهامراتخمینمی زند. درایننوعتحلیلازاطلاعاتوسیعی اقتصاد کلانمانندمنابع پایه پولی، نرخ بهره، نرخ تورم، سود تقسیم شده، سود حاصل از جریان نقدینگی، قیمت بازاراستفاده می کند..تحلیلتکنیکیسهام،مطالعهوبررسیقیمتسهاماست. دراینتحلیلفقطازنمودارقیمتها،حجممعاملاتومقادیر محاسبهشدهازقیمتهااستفادهمی شودومحتوایاطلاعاتفقطقیمتوحجممعاملاتاست. تجزیهوتحلیلتکنیکیبههیچ وجهبهبررسینقاطضعفیاقوتساختارشرکتیاصنعتنمی پردازد؛بلکههدفشبررسیرفتارسرمایه گذاروروندتغییرات قیمتاست. بهعبارتیدیگر،تحلیلتکنیکی،مطالعهرفتارهایبازاربااستفادهازنمودارهاوباهدفپیش بینیآیندهروندقیمتها می باشد.

تلاطممعمولاًبهصورتانحرافمعیارنمونةموردتحقیقدرنظرگرفتهمی شود. مدل های مختلفیبرایتخمینوپیشبینیتلاطمبازدهیوجوددارد کهبهسهگروهکلی،مدل هایسری زمانی،مدل هایاختیاراتومدل هایمبتنیبرروش هایناپارامتریکتقسیممی شوند. مدل های سریزمانیبرایمدلسازیتلاطمبازدهداراییهاهمدرسهدستةاصلیتقسیمبندیمی شوندکه شاملمدل هایپیش بینیبر اساسواریانس هایگذشته،مدل های گارچ[vi]ومدل هایتصادفی است. (کشاورز،حداد، 1394)

ازگروهاولمی توانبهمدل هایگامتصادفی،میانگینمجذوربازدهیا مدل هایسادةمیانگینواریانسومدل هایمبتنیبرتلاطمگذشته،شاملمدل هایمیانگین متحرکسادهومیانگینمتحرکوزنینمائی،اشارهکرد. اینمدل هابرمفروضاتهمتوزیعو ناهمبستهبودنتوزیعجزءاختلالمدلاستوارند. اماشواهدبهدست آمدهازتحلیلداده هایدنیای واقعیبیانگرآناستکهفرضهایهمتوزیعوناهمبستهبودنبرقرارنمی شوند. براساستحقیقات فاما[vii](1972) رویسری هایزمانیداده هایمالی،تلاطمخوشه ایدردادههایمالیوجودداشتهو دورههایمربوطبهبازدههایبزرگبهصورتمتمرکزومجزاازدوره هایبابازدةاندکدیدهمی شوندولذاچنانچهتلاطمبرحسبواریانسیاریشةآن،اندازه گیریشود،آنگاهاینتصورمنطقی خواهدبودکهواریانسبازمانتغییرمی کند.

گروهدوماینمدل ها،توزیع هایشرطیبازدهیامدل هایگارچازآنجاریشهمی گیرند،کهشواهدیدرردفرضناهمبستهوهمتوزیعبودنشرطی فرایندوجوددارد. مدل هایموجوددراینگروهازقبیلگارچوتلاطماحتمالی،باتلاطمبه صورتفرایندیکهدائماًبهزمانوابستهاست،برخوردمی کنند. اینمدل هاازآنجهتکهپدیدة تلاطمخوشه ایمتداولدرمیانسری هایزمانی،رالحاظمی کنند،بسیارمورد توجهقراردارند. تمام مدلهایگارچدراینحیطهقراردارند.

دردستةسوماینمدل هایعنیمدلهایتصادفینیز، پیش بینیتلاطملزوماًبر مبنایمشاهداتگذشتهنیستو مبتنیبربعضیساختارهایتصادفیپنهان درسریبازدهاست .پیشبینیتلاطمیکیازمهمترینموضوعاتموردمطالعهدربازارهایمالیدنیااست. تلاطمبهعنوانیکعاملمؤثردرتعیینریسکسرمایه گذاری،میتواندنقشمهمیدر تصمیم گیریسرمایه گذارانایفاکند. (اربابی، 1397)

 

3- پیشینه تحقیق

مطالعه داده های مالی برای محققان و برای تجارت جهانی اهمیت بسیاری دارد. ابزارهای مالی مانند روش های بازگشتی چند گانه( هیر، آندرسون، تاتان و بلک، 1998) و تحلیل های سریزمانی روشهای بسیار خوبی هستند که از آن برای پیش بینی استفاده می شوند. ولی هرقدر سری ها پیچیده تر می شوند توانایی پیش بینی آنها نیز کاهش مییابد(کالیانی داچا،2007).  روش های برگشتی از قدیم برای مدل سازی تغییرات در بازارهای بورس استفاده می شوند. تحلیل بازگشت چندگانه فرآیندیافتن معادله حداقل مربعات پیش بینی و آزمودن کفایت مدل و اجرای آزمایشها در تخمین مقادیر پارامترهای مدل است(مندل و همکارانش، 2006).هرچند این مدل ها تنها می توانند الگوهای خطی را پیش بینی کنند اما تغییر بازگشت بورس در یک الگوی غیر خطی مانند شبکه های عصبی برای مدلسازی این تغییرات بسیار مناسب هستند. قدرت شبکه های عصب توانایی آن در مدل سازییک فرآیند غیرخطی و نداشتن اطلاعات قبلی در مورد ویژگی ذاتی فرآیند است.

شبکه عصبی در جهان پیش گویی ها محبوب شده است. که به خاطر فرضیه غیر پارامتری آنها (ریمپلی،1996) و همچنین توانایی آنها در یادگیری رفتار سری ها، در هنگامیکه خوب طراحی می شوند، است. بسیاری از محققان همچون شارد و پاتیل (1990) تانی و فیشویک (1993) گمارده شده اند. تا به مقایسه شبکه های عصبی و ابزارهای آماری بپردازند. شبکه های عصبی با موفقیت به کار گرفته شده اند تا ارزیابی، تشخیص امضا، پیش بینی سری های زمانی و بسیاری دیگر از مسائل تشخیص الگوهای سخت را وام گیرند ( بیشاب،1995؛ ریمپلی،1996؛ شاردا و پاتیل،1990و تانی فیشویک ،1930). کالیانی داچا (2007) اگر بازار بورس بازگردد تورم ها تحت تأثیر رفتار تاریخی اخیرشان خواهد بود، تانگ (1991) می توان اثبات کرد که شبکه های عصبی که می توانند چنین تغییرات موقتی در بازار سرمایه را مدل سازی کنند، پیش گوهای بهتری هستند. سپس تغییرات در یک  بورس می تواند با استفاده از شبکه هایی که مکانیزم بازخورد را براییادگیری متوالی به کار می برند، بهتر آموخته شود.

در بخش مطالعه های داخلی، تحقیقی که دولو و حیدری(1396) برای پیش بینی شاخص سهام با استفاده از شبکه عصبی مصنوعی و مدل های فرا ابتکاری،  نشان داده شده که مدل شبکه عصبی هیبریدی مبتنی بر الگوریتم هارمونی از دقت پیش بینی بیشتری نسبت به مدل شبکه عصبی هیبریدی مبتنی بر الگوریتم ژنتیک در پیش بینی شاخص بازار سهام برخوردار می باشد.

قاسمی و نظری (1395) به بررسی رابطه بین رشد اقتصادی و تلاطم بازار پرداختند به این نتیجه دست یافتند که رشد اقتصادی بالاتر ، تلاطم اقتصادی ایجاد نخواهد کرد و تلاطم رشد اقتصادی با اثر گذاری بر میزان بهره وری و کاهش سرمایه گذاری به دلیل ایجاد نا اطمینانی در بلند مدت باعث کاهش نرخ رشد اقتصادی می گردد.

نیکو مرام و همکاران(1393) در بررسی سرایت پذیری تلاطم در بازار سرمایه ایران به این نتیچه دست یافتند کهسرایت پذیریبازارسرمایه ایران از بازارهایموازیارز،طلاونفتمورد تایید می باشد. هچنین احرازایننتیجهکهبهتریننمایندهجهتسنجشسرایت پذیریبازارسرمایهکشور،داده هایمربوطبهشاخص کلبورساوراقبهاداربودهاست.

فرزین اربابی (1397) در تحقیقی که پیش بینی تلاطم بازدهی سکه طلا اختصاص داشت  با استفاده از داده‌های روزانه در فاصله زمانی 1388 تا 1395 نشان می­دهد لحاظ تلاطم بازارهای مالی دیگر ازقبیل نوسانات نرخ ارز،  تغییر قیمت نفت و  تغییر شاخص قیمت سهام در بورس باعث بهبود توانایی پیش بینی مدل برآوردی تلاطم بازدهی سکه طلا می شود. استفاده از اطلاعات بازارهای موازی و نیز افزایش دوره پیش بینی می‌تواند نتایج بهتری  در تبیین موضوع حاصل کند.

 

4-روش تحقیق

1)   تحقیق حاضر از نقطه نظر هدف کاربردی و از نظر جمع آوری اطلاعات کتابخانه ای می باشد. روش تحقیق از نوع توصیفی و همبستگی است.

2)   در این پژوهش، برای مدل سازی برآورد تلاطم بازار موثر بر سرمایه گذاریبرای دوره زمانی فصل اول 1390 تا پایان 1396 از دو روش استفاده شده است. روش اول تخمین ARIMA(1,1,1) و روش دوم شبکه عصبی است. ابتدا معادله زیر به روش ARIMA(1,1,1) برآورد گردید و سپس با نتایج شبکه عصبی  مقایسه شده است.

3)   داده های مورد نیاز برای سالهای 1390 الی 1396 از بورس اوراق بهادار تهران جمع آوری گردیده است.

 

 

متغیرهای مدل شامل:

 تلاطم بازار که با استفاده از داده های سرمایه گذاری و روش واریانس ناهمسانی شرطی خود بازگشتی تعمیم یافته (GARCH) محاسبه شده است.

تلاطم نرخ ارز که با استفاده از داده های نرخ ارز و روش واریانس ناهمسانی شرطی خود بازگشتی تعمیم یافته (GARCH) محاسبه شده است.

1)     قیمت جهانی هر بشکه نفت سنگین اوپک به دلار

2)     قیمت جهانی هر اونس طلا به دلار

3)     تلاطـم شـاخص قیمـت، تپـیکس (TEPIX)برای بورس اوراق بهادار تهران

4)    شاخص قیمت و بازده نقدی، تدپیکس (TEDPIX ) برای بورس اوراق بهادار تهران

5)     تولید ناخالص داخلی حقیقی

6)     نرخ سود بلند مدت بانکی

7)     حجم پول در گردش

8)     نرخ تورم

 

5- یافته ها

5-1-پیش بینی با استفاده از رگرسیون ARIMA(1,1,1)

پس از ورود داده ها به نرم افزار Eviews به روش  ARIMA(1,1,1)  برازش می شود. جدول زیر خروجی نرم افزار است.

 

جدول (1)نتایج تخمین  ARIMA(1,1,1)

آماره t	ضرایب	نماد
3/3	24/2	(Constant)
45/3-	89/5-	TDPB
6/2	3/2	GHD
34/2-	55/3-	BHSS
91/2	3/1	TED
89/4	8/1	TEP
61/2	6/3	GDP
76/3-	4/2-	R
87/2	89/0	BF
7/2	76/1	INF
45/4	56/0	AR(1)
71/3	73/0	MA(1)

منبع: یافته های پژوهشگر

 

 

پس از تخمین رگرسیون برای پیش بینی و محاسبه خطا آن از داده ها استفاده کرده و می توان نمودار آن را با استفاده از نرم افزار متلب رسم نمود.

 

خط آبی تلاطم بازار واقعی

خط قرمز تلاطم بازار پیش بینی شده به روش رگرسیون ARIMA(1,1,1)

نمودار (1) نتایج پیش بینیرگرسیون ARIMA(1,1,1)و مقایسه آنها با مقادیر واقعی

منبع: یافته های پژوهشگر

 

همانگونه که مشاهده می شود میزان خطای رگرسیون در مواردی که پراش بیشتر شود خطای آن نیز بیشتر می شود.

 

5-2- پیش بینی تلاطم بازار سرمایه گذاری با استفاده از شبکه عصبی

شبکه عصبی مصنوعی یک سامانه پردازشی داده‌ها است که از مغز انسان ایده گرفته و پردازش داده‌ها را به عهده پردازنده‌های کوچک و بسیار زیادی سپرده که به صورت شبکه‌ای به هم پیوسته و موازی با یکدیگر رفتار می‌کنند تا یک مسئله را حل نمایند. در این شبکه‌ها به کمک دانش برنامه نویسی، ساختار داده‌ای طراحی می‌شود که می‌تواند همانند نورون عمل کند. که به این ساختارداده گره گفته می‌شود. بعد باایجاد شبکه‌ای بین این گره‌ها و اعمال یک الگوریتم آموزشی به آن، شبکه را آموزش می‌دهند. در این حافظه یا شبکه عصبی گره‌ها دارای دو حالت فعال (روشن یا 1) و غیرفعال (خاموش یا 0) اند و هر یال (سیناپس یا ارتباط بین گره‌ها) دارای یک وزن می‌باشد. یال‌های با وزن مثبت، موجب تحریک یا فعال کردن گره غیر فعال بعدی می‌شوند و یال‌های با وزن منفی، گره متصل بعدی را غیر فعال یا مهار (در صورتی که فعال بوده باشد) می‌کنند.

در این راستا ابتدا با استفاده از جعبه ابزار متلب طرح شبکه عصبی طراحی می شود. داده های ورودی شبکه را که داده های موثر بر تلاطم بازار است که در قسمت قبل به کمک این داده ها خط رگرسیون تخمین زده شد. حال با استفاده از همیج جعبه ابزار شبکه بایستی آموزش ببیند. آموزش شبکه با استفاده از آموزش لونبرگ-مارکو Train LM صورت پذیرفته است.

 

 

نمودار (2) نمودار لونبرک- مارکو

منبع: یافته های پژوهشگر

 

پس از آموزش می بینیم در دفعات متفاوت آموزش، بهترین آموزش انتخاب می گردد. در اینجا 6 بار عمل یادگیری انجام شده است. در مرتبه اول یادگیری نسبت به دفعات بعدی بهتر بوده است. پس مجموعه اول را به عنوان یادگیری شبکه انتخاب می شود.

میزان بهینه آموزش در یادگیری به صورت نمودار آمده است. میزان نیکویی برازش آنها نیز مشخص گردیده و داده های ورودی و هدف را بر هم منطبق گردانده است.

نتایج حاصل از آموزش شبکه عصبی اوزان شبکه است که بر روی خطوط ارتباطی میان نرون ها و سایر اجزا چه ورودی و چه خروجی می نشیند.

اوزان بین لایه ورودی و لایه پنهان در جدول (2) آمده است. با توجه به جدول اوزان می توان به پیش بینی تلاطم بازار سرمایه گذاری پرداخت.

 

 

نمودار (3) نمودار آموزش شبکه عصبی

منبع: یافته های پژوهشگر

 

جدول (2) جدول وزن های متغیرهای مختلف

TDPB	NBD	NPS	BHSS	BD	GD	BF	GMK	GHD	Quick	current
-.659	-.9768	-1.082	.1283	-.5112	-.0396	-1.172	1.7479	.04225	.7973	.8331	نرون1
.06115	.38143	.08691	.7736	-6080	.58883	.2687	-.1104	.08010	-1.163	.6191	نرون2
.23146	-.2084	.98412	-.3043	.07395	-.2682	-.3818	.69292	.33068	-.8097	.8591	نرون3
.64893	.62149	-1.044	.37119	.43243	.6137	-.8187	.60572	-.8512	.02703	.7448	نرون4
.45455	-.5130	-.5428	1.0628	-.3251	-.3191	-.7735	-.1570	-.7725	.1911	-.2158	نرون5
.53333	.87685	.48803	.47058	-.2450	-.0550	-.9229	.54662	-.7237	.03688	.7311	نرون6
0.1194	.63901	-.5984	-.9089	.57508	-.8958	.66755	-.0539	-.2581	.5141	.5552	نرون7
.54083	1.0105	.76556	.38571	.49337	-.8973	-1.208	.26224	-.5956	-.0188	-.8969	نرون8
.59641	.89145	.64399	-.7204	-.2984	-.8961	.05737	-.6562	.75254	-.6853	-.5415	نرون9
-.2486	-.034	-.6146	.03014	.82588	-.2321	-.1755	.5179	-.8576	.5453	.6834	نرون10
-.4376	1.372	-1.070	-.8296	.16717	-.6487	-.9133	.14799	-.5103	-.0317	-.4202	نرون11
-.5985	-.4025	.36388	.05256	.35154	.98605	-.7296	.42086	-.3009	-1.349	.3932	نرون12
-.4923	-.3652	1.5773	.62241	.14162	.05501	-.9135	-.4530	.44005	.7381	.0920	نرون13
.99789	-.2093	.15859	.25275	.47895	.77235	.18042	1.0129	.6831	-.8496	1.029	نرون14
-.6908	.22643	.65831	-.6603	-.8347	-.1888	-.6796	.67354	.57493	.04451	.1019	نرون15

منبع: یافته های پژوهشگر

نمودار زیر نمایانگر پیش بینی شبکه بر اساس داده های ورودی و مقایسه آنها با مقادیر واقعی است. نمودار قرمز رنگ پیش بینی با شبکه عصبی است و نمودار آبی رنگ مقادیر واقعی آن است.

 

 

خط آبی تلاطم بازار واقعی

خط قرمز تلاطم بازار پیش بینی شده به روش شبکه عصبی

نمودار (4) پیش بینی شبکه عصبی بر اساس داده های ورودی و مقایسه آنها با مقادیر واقعی

منبع: یافته های پژوهشگر

 

5-3- مقایسه پیش بینی شبکه عصبی و رگرسیون

برای مقایسه دو رویکرد مورد استفاده می بایست از شاخصی استفاده نمود. برای این منظور از میانگین حداقل مربعات خطا استفاده شده است. خطا در پیش بینی به معنای فاصله پیش بینی تا مقدار واقعی است. در جدول 3 مقادیر واقعی و پیش بینی شده نشان داده شده است.

 

جدول (3) مقادیر واقعی و پیش بینی شده

شبکه عصبی	رگرسیون	واقعی	شبکه عصبی	رگرسیون	واقعی
2588412	444534	921006. 7	995160. 5	2693862	605353. 2
1510402	607192. 1	790774. 7	1080195	1316185	813606. 1
809912. 4	118993. 7	785794. 2	915303. 1	2893530	609033. 2
1370524	471081. 2	997552. 7	767070. 6	4582747	-232502
1469583	654372. 5	841832. 3	931651	4557681	-508884
1326516	487489. 9	808850. 7	763629. 7	5119305	60454. 79
932492. 7	179186. 7	771525. 4	789184. 8	5767. 49	109990. 9
-74614	-46918. 1	841383. 5	-52148	-203285	87685. 76
46234. 97	97591. 76	993677. 3	935611. 8	17997. 08	99732. 06
-1200640	946633. 7	930086. 6	945770. 3	37804. 39	303698. 9
111613. 2	422911. 5	554843. 9	1324634	24190. 29	643321. 9
75570. 87	906908. 8	544144. 7	838536. 3	36692. 1	920356. 1
-409399	2378703	583278. 4	1327153	59830. 15	1409183
906062. 5	2345335	654203	2210940	50620. 64	2139221
756334. 5	1839623	708267. 6	2885570	195163. 7	2896572
618245. 5	98014. 58	544857. 2	230093. 3	-154624	102848. 6
707163. 4	2069548	841716. 1	1059841	396683. 9	133547. 3
474278. 8	223201. 4	411050. 7	770359. 4	601644. 7	245267. 6
-1093. 38	1214243	1032403	859367. 7	9004. 92	1198961
-106553	220624. 2	937937. 7	984062. 3	406152	1458937
480200. 3	668135. 1	145504. 8	672318. 5	499669. 4	650079. 7

منبع: یافته های پژوهشگر

 

پس از انجام محاسبات مدل به عنوان نماینده برای پیش‌بینی قیمت مورد استفاده قرار گرفت. در نهایت نیز مدل‌های بدست آمده با یکدیگر مقایسه شد تا مدل بهینه انتخاب شود، در اینجا از ابزار جذر مربع میانگین خطاها RMSE به عنوان ابزار مقایسه استفاده شده است.

ابتدا خطا های هر یک از دو روش محاسبه می شود و سپس RMSE محاسبه می شود و با توجه به آن نتایج تحقیق گرفته می شود.

به طور کلی در هر چقدر خطات کمتر باشد، مطلوب تر خواهد بود. خطا در پیش بینی را با e نمایش می دهند. خطا را فاصله مقدار واقعی از مقدار تخمین زده شده می گویند.

در ابتدا برای هر یک از دادهای ارزش افزوده با هر یک از مدل ها میزان ارزش افزوده آنها تخمین زده می شود. پس از آنکه تخمین ها را انجام دادیم با استفاده از نرم افزار اکسل 2010 فاصله میان تخمین و واقعیت را محاسبه گردید.

 

 

 

جدول (4) مقایسه خطای شبکه و خطای رگرسیون خطی

reg error		net error
3143016716407	151949753000	11119730619	25862824533
276056427831	71069717445	37720077973	42606741128
4442551118802	93801269190	4341463309723	240138733828
12853620478817	999144353796	10318377405610	495028647361
13807529400374	2075139786710	9536349819146	1353164712505
18580018462753	494454917665	14385248933881	182358966380
586385242203	461304372541	858819574360	4788057553
1091332172277	19553492030	16556194001	18118189547
951951934835	698694962202	797378692	4580885
796167462933	412255769821	1533745023138	413365278432
281593242999	464186762739	7642772750	48580720123
257508147829	6694473825	1511558692	180830625
273998048787	6728897086	220176442822	939968400474
364311677218	5143613633	731780772492	42483155983
263275583838	121042703	314912715540	1117140965855
489273290328	16191231731	597326544393	23367421
198053661338	858019374365	96397566737	3748099142996
36326064628	275721372478	16222082457	486914730
1047344610194	115323293359	101975610	233566251
282796062145	225505975869	262866298537	1533418755323
125432590130	494562373	379043611	325998654
1268670. 483		1128588. 391

منبع: یافته های پژوهشگر

 

با توجه به اطلاعات جدول 4 شبکه عصبی و رگرسیون در پیش بینی خود به ترتیب به اعداد 1128588 و 1268670 رسیده است که این بدان معناست که خطای شبکه کمتر از خطای رگرسیون خطی است. بنابراین شبکه عصبی توان پیش بینی بالاتری نسبت به روش رگرسبون دارد.

 

 

نمودار (5) نمودار مقایسه ای دو پیش بینی

منبع: یافته های پژوهشگر

در نمودار5 رنگ آبی واقعی، رنگ قرمز پیش بینی شبکه عصبی و رنگ زردپیش بینی رگرسیون است.

با توجه با مباحث مطرح شده مشاهده می شود که ترکیب شبکه عصبی مصنوعی و نسبت های مالی قابلیت پیش بینی تلاطم بازار سرمایه گذاری را دارند و با توجه به RMSE هر یک از دو مدل، مدل ارائه شده با استفاده از شبکه عصبی در این پژوهش عملکرد بهتری در پیش بینی تلاطم بازار سرمایه گذاری نسبت به رگرسیون خطی دارد.

 

6- نتیجه گیری

پیش بینییکی از ابزارهای مدیریت مؤفق و عنصر کلیدی در مدیریت و برنامه ریزی های اقتصادی محسوب می شود. تلاطم بازار به عنوان یک متغیر کلان اقتصادی بسیار پراهمیت و تأثیرگذار بر بخشهای مختلف داخلی و خارجی اقتصادییک کشور، هم چون وضعیت تراز پرداخت ها و قدرت رقابت بینالمللی، نقش تعیین کننده ای در سیاست گذاری های اقتصادی ایفا می کند. تغییرات تلاطم بازار، بخشهای مختلف اقتصاد یک کشور را تحت تأثیر قرار می دهد. بنابراین، الگوسازی و پیش بینی روند آتی این متغیر برای ارایه سیاست ها و رهنمود های اقتصادی امری ضروری به نظر می رسد. با توجه به اهمیت پیش بینی تلاطم بازار، هدف اصلی پژوهش حاضر طراحییک شبکه عصبی برای پیش بینی تلاطم بازار در اقتصاد ایران است. نتایج تحقیق نشان داد که خطای پیش بینی شبکه عصبی کمتر از خطای رگرسیون خطی است.

 

 

 

 

 

 

 

 

 

 

 

---

*این مقاله حاصل بخشی از رساله دانشجوی در مقطع دکترا با راهنمایی احمد یعقوب نژاد و مشاوره مریم خلیلی عراقی در دانشگاه آزاد اسلامی واحد علومو تحقیقات تهران می باشد.

[1]-دانشجوی دکترای مدیریت مالی دانشگاه آزاد اسلامی واحد علوم تحقیقات ،تهران،ایران [e-mail]

[2]-دانشیار گروه حسابداری، دانشگاه آزاد اسلامی واحد تهران مرکزی،تهران،ایران. (نویسنده مسئول) [e-mail]

[3]-استادیار گروه مدیریت مالی، دانشگاه آزاد اسلامی واحد علوم و تحقیقات تهران، ایران. [e-mail]

---

1. Illing and Liu
2. Oet et al
3. Karolyi
4. Roye
5. Hakkio and Keeton
6. Generalized Autoregressive Conditional Heteroscedasticity (GARCH)
7. Fama

مراجع

1)   اربابی، فرزین (1397). پیش بینی تلاطم بازدهی سکه طلا در بازار دارایی های مالی (رهیافت ANN-GARCH). فصلنامه اقتصاد مالی، شماره 43، 192-179

2)   حسینیون، نیلوفرسادات؛ بهنامه، مهدی؛ ابراهیمی سالاری، تقی (1395) بررسی تلاطم نرخ بازده بین بازارهای سهام، طلا و ارز در ایران، فصلنامه پژوهش های اقتصادی ایران، سال بیست و یکم ، شماره 66، 150-135

3)   درگاهی، حسن و انصاری، رضا (1387). بهبود مدل­سازی شبکه­های عصبی در پیش­بینی نرخ ارز، با به ­کارگیری شاخص­های تلاطم. فصلنامه تحقیقات اقتصادی، شماره 85، 144-117.

4)   دولو مریم، حیدری تکتم(1396)، پیش بینی شاخص سهام با استفاده از ترکیب شبکه عصبی مصنوعی و مدل های فرا ابتکاری جستجوی هارمونی و الگوریتم ژنتیک، فصلنامه اقتصاد مالی، دانشگاه ازاد اسلامی واحد تهران مرکز، دوره 11، 40، 24-1.

5)   قاسمی عبدالرسول، نظری صبا(1395)، بررسی نقش تعمیق مالی بر تلاطم اقتصاد کلان، فصلنامه اقتصاد مالی، دانشگاه ازاد اسلامی واحد تهران مرکز، دوره 10، شماره 35، 44-27.

6)    کشاورز حداد، غلامرضا و آرش بابایی (1390) الگوسازی تلاطم بازده نقدی در بورس سهام تهران با استفاده از داده های پانل و الگوی GARCH. نشریه پژوهش های مالی، 13 (31) 72-41

7)   نیکو مرام هاشم، پور زمانی زهرا، دهقان عبدالمجید(1393)، سرایت پذیری تلاطم در بازار سرمایه ایران، فصلنامه پژوهشی دانش سرمایه گذاری، شماره 11، 199-179.

8)    Hakkio CS and Keeton WR. (2009). Financial Stress: What Is It, How Can It Be Measured, and Why Does It Matter? Available: http://ideas.repec.org/a/fip/fedker/y2009iqiip5-50nv.94no.2.html.

9)    Illing, M., and Liu, Y. (2006). Measuring Financial Stress in a Developed Country: An Application to Canada. Journal of Financial Stability, Vol. 2, No. 3, PP. 243-265.

10)              Khalifa.A.A.A, Hammoudeh,S. Otranto, E(2014), " Patterns of volatility Transmissions within Regime Switching across GCC and Global Mrkets", International Review of Economics & Finance,29: 512-524.

11)              Mensi, W., Beljid, M., Boubaker, A. & Managi, S. (2013), " Correlations and Volatility Spillovers across Cmmodity and Stock Markets: Linking Energies, Food, and Gold" , Economic Modeling, 32: 15-22

12)              Oet, M.V., Eiben, R., Bianco, T., Gramlich, D., and Ong, S.J. (2011). The Financial Stress Index: Identification of Systemic Risk Conditions. Federal Reserve Bank of Cleveland, Working Paper 11-30.

13)              Roye BV. (2011). Financial Stress and Economic Activity in Germany and the Euro Area. Available: http://www.ifw-members.ifw-kiel.de/publications/financial-stress-and-economic-activity-in-germany-and-the-euro-area/financial-stress-and-economic-activity-in-germany-and-the-euro-area.pdf.

14)              Roye BV. (2012). Financial Stress and Economic Activity in Germany, Available: http://rcea-canada.org/pages/may_2012_rimini/papers/van%20Roye.pdf.

 

                      

یادداشت‌ها