سودمندی رگرسیون‌های تجمیعی و روش‌های انتخاب متغیرهای پیش‌بین بهینه در پیش‌بینی بازده سهام

مقاله حاضر به بررسی سودمندی رگرسیون‌های تجمیعی و روش‌های انتخاب متغیرهای پیش‌بین بهینه (شامل روش مبتنی بر همبستگی و ریلیف) برای پیش‌بینی بازده سهام شرکت‌های پذیرفته شده در بورس اوراق بهادار تهران می‌پردازد. به‌منظور ارزیابی عملکرد رگرسیون تجمیعی، معیارهای ارزیابی (شامل میانگین قدرمطلق درصد خطا، مجذور مربع میانگین خطا و ضریب تعیین) مربوط به پیش‌بینی این روش، با رگرسیون خطی و شبکه‌های عصبی مصنوعی مقایسه شده است. همچنین به منظور ارزیابی عملکرد روش‌های انتخاب متغیرهای بهینه پیش‌بین، معیارهای ارزیابی حاصل از پیش‌بینی با استفاده از متغیرهای انتخاب شده توسط این روش‌ها با معیارهای حاصل از پیش‌بینی با استفاده از کلیه متغیرها مقایسه شده است. یافته‌های تجربی مربوط به بررسی 101 شرکت پذیرفته شده در بورس اوراق بهادار تهران در سال‌های 1383 الی 1392 حاکی از عملکرد بهتر روش تجمیعی نسبت به رگرسیون خطی و شبکه‌های عصبی مصنوعی است. افزون بر این، یافته‌ها حاکی از آن بود که پیش‌بینی با استفاده از متغیرهای انتخاب شده در روش‌های مبتنی بر همبستگی و ریلیف، به طور معناداری عملکرد پیش‌بینی را نسبت به استفاده از کلیه متغیرها افزایش می‌دهد. Abstract Present study investigates the usefulness of ensemble regression and feature selection methods (including correlation-based feature selection and Relief) in predicting stock returns of companies listed on Tehran Stock Exchange. For performance evaluation of ensemble regression, evaluation criteria (including mean absolute percentage error, root mean squared error and coefficient of determination) of this method compared with linear regression and artificial neural networks. Also, for performance evaluation of feature selection methods, evaluation criteria of these methods compared with using all variables. The experimental results of investigating 101 companies listed in Tehran Stock Exchange in 2004-2013 indicate that ensemble regression outperforms the linear regression and artificial neural networks. Furthermore, the results show that selected variables with correlation-based feature selection and Relief result in better prediction in compare with using all variables.   Keywords: Stock Returns Prediction, Ensemble Regression, Feature Selection Methods.