پیش‌بینی بازده سهام با استفاده از روش‌های غیرخطی پویا: مدل‌سازی پارامتریک و ناپارامتریک

نوع مقاله : مقاله پژوهشی

نویسندگان

1 استادیار گروه اقتصاد، دانشکدۀ علوم اقتصادی و اجتماعی، دانشگاه بوعلی‌سینا، همدان، ایران (نویسندۀ مسئول).

2 استاد گروه اقتصاد، دانشکدۀ علوم اقتصادی و اجتماعی، دانشگاه بوعلی‌سینا، همدان، ایران.

10.22084/aes.2025.31371.3815

چکیده

پیش‌بینی دقیق بازار سهام یک مسئله چالش‌برانگیز و پیچیده برای تحلیلگران و تصمیم‌گیرندگان بازار است. در اغلب مطالعات گذشته، دقت روش‌های مختلف مورد بررسی قرار گرفته است، اما هنوز در مورد روش پیش‌بینی بهینه اتفاق‌نظر وجود ندارد. هدف اصلی مطالعۀ حاضر بررسی قابلیت مدل‌های سری‌های زمانی غیرخطی، مانند مدل‌های هموارسازی نمایی و رویکرد تغییر رژیم، در کنار روش باکس-جنکینز در پیش‌بینی بازده سهام است. داده‌ها شامل مشاهدات روزانۀ شرکت‌های اپل و مایکروسافت از سال 2024 تا 2025م. است. آزمون تراسوریتا-لین-گرنجر  رفتار آشوبناک فرآیند تولید داده‌ها را به اثبات رسانده است. رویکرد SETAR با مؤلفه GARCH و مدل ARMA با مؤلفه EGARCH برای کنترل اثر واریانس ناهمسان شرطی در سری‌های زمانی استفاده شده است که منجر به مدل‌های ترکیبی پویا می‌شود. علاوه‌بر این، با توجه به کاربرد گستردۀ روش‌های هوش مصنوعی، علاوه‌بر رویکرد هموارسازی نمایی (ES) به‌عنوان یک روش ناپارامتریک، یک شبکۀ پرسپترون چندلایه (MLP) نیز مورداستفاده قرار گرفته است که مبتنی‌بر الگوریتم پس‌انتشار خطا (FF-BP) است. پیش‌بینی‌ها در دو فرم درون نمونه‌ای و برون نمونه‌ای انجام شده و عملکرد مدل‌ها با استفاده از معیارهای خطای استاندارد ارزیابی می‌شود. درنهایت، از آزمون دایبولد-ماریانو برای تعیین معناداری تفاوت‌های پیش‌بینی بین مدل‌ها استفاده شده است. یافته‌ها نشان می‌دهند که سری‌های زمانی بازده سهام هر دو شرکت رفتاری آشوبناک داشته‌اند و روش‌های غیرخطی در مدل‌سازی آن‌ها مناسب‌تر هستند. روش هموارسازی نمایی از نظر اکثر معیارهای خطا در هر دو پیش‌بینی درون‌نمونه‌ای و برون‌نمونه‌ای، از مدل‌های  SETARMA-GARCH و ARMA-EGARCH بهتر عمل کرده است. با این‌حال، روش MLP براساس تمامی معیارهای خطا، بر مدل ES برتری داشته است. آمارۀ S تخمینی آزمون دایبولد-ماریانو، معناداری برتری رویکرد MLP را تأیید می‌نماید. این یافته‌ها، استفاده از روش‌های ناپارامتریک پویا را در مدل‌سازی و پیش‌بینی سری‌های زمانی منتخب پیشنهاد می‌کند؛ به‌عبارت دیگر، استفاده از روش‌های غیرخطی ناپارامتریک پویا در پیش‌بینی سری‌های مالی توصیه می‌شود.  

کلیدواژه‌ها

موضوعات

عنوان مقاله [English]

Stock Return Forecasting Using Dynamic Nonlinear Methods: Parametric and Nonparametric Modeling

نویسندگان [English]

  • Seyed Ehsan Hosseinidoust 1
  • Mohammad Hasan Fotros 2
1 Assistant Professor, Department of Economics, Faculty of Economics and Social Science, Bu-Ali Sina University, Hamedan, Iran (Corresponding Author).
2 Professor, Department of Economics, Faculty of Economics and Social Science, Bu-Ali Sina University, Hamedan, Iran.
چکیده [English]

Accurate stock market forecasting is a challenging and complex problem for the market analysts and decision makers. During the past decade’s accuracy of different methods are examined yet there is no consensus on optimum forecasting method. In this regard, the main objective of present study is to investigate eligibility of nonlinear time series, such as exponential smoothing and regime-switching models beside Box-Jenkins scheme in forecasting of stock return time series. Data set consist of daily observations of Apple and Microsoft corporations as of 2024 to 2025. The Terasvirta-Lin-Granger procedure chaotic behavior of data generating process of the selected samples being examined. The Self-Exciting Threshold Autoregressive procedure combined with GARCH component (SETARMA-GARCH) and ARMA model combined with EGARCH component (ARMA-EGARCH) in order to capture the heterogeneous variance of financial time series, which yield dynamic hybrid models. Moreover, due to the overwhelming application of Artificial Intelligence methods in computation, besides the Exponential Smoothing (ES) approach as a non-parametric method, a recently developed Multilayer Perceptron Network (MLP) based on Feed-Forward-Back Propagation (FF-BP) algorithm being developed either. Both of the in-sample and out-sample forecasting are carried out and performance of models is evaluated using standard error criteria. Finally, the Diebold-Mariano test is employed in order to determine the significance of forecasting differences among the models. Findings indicated that the behavior of the return series for the both of the corporations are chaotic and nonlinear methods are appropriate in modeling. The exponential smoothing method outperformed the developed SETARMA-GARCH and ARMA-EGARCH procedures in terms of the majority of error criteria in the both of in-sample and out-sample forecasting. However, the MLP has outweighed the ES model based on every calculated error criteria. The estimated S-statistic of Diebold-Mariano test confirmed results of the forecasting in favor of the MLP method. This finding suggests application of the dynamic nonparametric methods in modeling and forecasting of the selected time series. Implication of such finding recommends use of dynamic nonlinear and nonparametric methods in financial series prediction.

کلیدواژه‌ها [English]

  • Stock Return Forecasting
  • Chaos Testing
  • Parametric and Nonparametric Methods
  • Dynamic Nonlinear Modeling
  • AI Approach

مراجع

- Adrian Cantemir Calin & Tiberiu Diaconescu & Oana – Cristina Popovici, (2014). “Nonlinear Models for Economic Forecasting Applications: An Evolutionary Discussion”. Computational Methods in Social Sciences (CMSS), 2(1): 42-47. https:// RePEc/ntu:ntcmss/1-14-042.
- Awartani, B. & Corradi, V., (2005). “Predicting the Volatility of the S&P-500 Stock Index via GARCH Models: The Role of Asymmetries”. International Journal of Forecasting. 21(1): 167-183. https://doi.org/10.1016/j.ijforecast.2004.08.003.
- Bergman, M. & Hansson, J., (2005). “Real Exchange Rates and Switching Regimes”. Journal of International Money and Finance, 24(3): 121-138. https://doi.org/10.1016/j.jimonfin.2004.10.002.
- Bollerslev, T., (1986). “Generalized Autoregressive Conditional Heteroscedasticity”. Journal of Econometrics, 31(2): 307-327. https://doi.org/10.1016/0304-4076(86)90063-1.
- Bowerman, B. L. & Richard T. O., (1979). Time Series and Forecasting: An Applied Approach. University of Michigan, New York: Duxbury Press.
- Box, G. & Jenkins, G., (1970). Time Series Analysis: Forecasting and Control. San Francisco: Holden-Day Pub.
- Bradfield, J., (2007). Introduction to the Economics of Financial Markets. Oxford University Press.
- Brooks, C., (2008). Introductory to Econometric for Finance. The ICMA Centre, University of Reading, 2nd Edition. Cambridge University Press.
- Calin, A. C., Diaconescu, T. & Popovici, O. C., (2014). “Nonlinear Models for Economic Forecasting Applications: An Evolutionary Discuss”. CMSS, 2(1).
- Clements, M. P. & Smith, J., (1999). “A Monte Carlo Study of the Forecasting Performance of Empirical SETAR Models”. Journal of Applied Econometrics, 14(2): 123-141. https:// https://doi.org/10.1002/(SICI)1099-1255(199903/04).
- De Gooijer J. G. & Kumar, K., (1992). “Some Recent Development in Non-Linear Time Series Modeling, Testing and Forecasting”. International Journal of Forecasting, 8(2): 135-156. https://doi.org/10.1016/0169-2070(92)90115-P.
- Dickey, D. A. & Fuller, W. A., (1979). “Distribution of the Estimators for Autoregressive Time Series with a Unit Root”. Journal of the American Statistical Association, 74(366): 427-431. https://doi.org/10.2307/2286348.
- Diebold, F. & Mariano, R., (1995). “Comparing Predictive Accuracy”. Journal of Business and Economic Statistics, 13(3): 253:263. https://doi.org/10.2307/1392185
- Engel. C., (1994). “Can the Markov Switching Model Forecast Exchange Rates”. Journal of International Economics, 36(1): 151–165. https://doi.org/10.1016/0022-1996(94)90062-0.
- Engle, R. F., (1982). “Autoregressive Conditional Heteroscedasticity with Estimate of the Variance of the United Kingdom Inflation”. Econometrica, 50(4): 987-1007. https://doi.org/10.2307/1912773.
- Engle, R. F., Lilien, D.M. & Robbins, R. P., (1987). “Estimating Time Varying Risk Premia in the Term Structure: The ARCH-M Model”. Econometrica, 55(2): 391-407. https://doi.org/10.2307/1913242.
- Faria, E. L., Albuquerque, M. P., Gonzalez, J. L., Cavalcante, J. T. P. & Albuquerque, M., (2009). “Predicting the Brazillian Stock Market through Neural Networks and Adaptive Exponential Smoothing Methods”. Expert Systems with Applications, 36(10): 12506-12509. https://doi.org/10.1016/j.eswa.2009.04.032.
- Gajdosikova, D., Michulek, J. & Tulyakova, I., (2025). “AI-Based Bankruptcy Prediction for Agricultural Firms in Central and Eastern Europe”. International Journal of Financial Studies, 13(3): 1-35. https://doi.org/10.3390/ijfs13030133.
- Hosseinidoust, S. E., Fotros, M. H., & Massahi, S., (2016). “Application of Dynamic Parametric and Non-Parametric Systems in Stock Market Return Forecasting: Case Study of Tehran Stock Market”. Quarterly Journal of Fiscal and Economic Policies, 3(12): 125-148. http://qjfep.ir/article-1-289-en.html . (In Persian)
- Hyndman, R. J., Koehler, A. B., Snyder, R. D. & Grose, S., (2002). “A State Space Frame-work For Automatic Forecasting Using Exponential Smoothing Methods”. International Journal of Forecasting, 18(3): 439–454. https://doi.org/10.1016/S0169-2070(01)00110-8.
- Jin, B., & Xu, X., (2025). “Predictions of Residential Property Price Indices for China via Machine Learning Models”. Quality & Quantity: International Journal of Methodology, 59(2): 1481-1513. https://doi.org/10.1007/s11135-025-02080-3.
- Khadiri, H., Oukhouya, H. & Belkhoutout, K., (2025). “A comparative Study of Hybrid and Individual Models for Predicting the Moroccan MASI Index: Integrating Machine Learning and Deep Learning Approaches”. Scientific African, 28(2). https://doi.org/10.1016/j.sciaf.2025.e02671.
- Kurani, A., Doshi, P., Vakharia, A. & Shah, M., (2023). “A Comprehensive Comparative Study of Artificial Neural Network (ANN) and Support Vector Machines (SVM) on Stock Forecasting”. Annals of Data Science, 10(1): 183-208. https://doi.org/ 10.1007/s40745-021-00344-x. 
- Leung, M. T., Daouk, H. & Chen, A. S., (2000). “Forecasting Stock Indices: A Comparison of Classification and Level Estimation Models”. International Journal of Forecasting, 16(2): 173-190. http://dx.doi.org/10.2139/ssrn.200429.
- Moha Tahir Ismail, Z. I., (2006). “Modeling Exchange Rate Using Regime Switching Models”. Sains Malaysiana, 35(2): 55-62. https://www.researchgate.net/publication/232275538.
- Pattanayak, A. M., Swetapadma, A. & Sahoo, B., (2024). “Exploring Different Dynamics of Recurrent Neural Network Methods for Stock Market Prediction - A Comparative Study”. Applied Artificial Intelligence, 38(1). https://doi.org/10.1080/08839514.2024.2371706.
- Peel, D. A. & Speight, A. E. H., (1998). “Threshold Nonlinearities in Output: Some International Evidence”. Applied Economics, 30(3): 323–333. https://doi.org/10.1080/000368498325840.
- Potter, S. M., (1995). “A Nonlinear Approach to US GNP”. Journal of Applied Econometrics, 10(2): 109–125. http://www.jstor.org/stable/2284968.
- Song, D. & Song, D., (2024). “Stock Price Prediction based on Time Series Model and Long Short-term Memory Method”. Highlights Business, Econ. Manage, 24(3):  1203-1210. https://doi.org/10.54097/e75xgk49.  
- Terasvirta, T, C. L. & Granger, C., (1993). “Power of the Neural Network Linearity Test”. Journal of Time Series Analysis, 14(2): 209:220. https://doi.org/10.1111/j.1467-9892.1993.tb00139.x.
- Terence Tai-Leung, Ch., Lam, T.-H. & Hinich, M. J., (2009). “Are Nonlinear Trading Rules Profitable In The Chinese Stock Market?”. Annals of Financial Economics (AFE), World Scientific Publishing Co. Pte. Ltd., 5(01): 1-20. https://doi.org/10.1142/S201049520950002X.
- Tong, H., (1978). “On a Threshold Model in Pattern Recognition and Signal Processing”. In: Chen, C., Ed., Pattern Recognition and Signal Processing, Sijhoff and Noordhoff, Amsterdam, 55(4): 575-586. https://www.researchgate.net/publication/246995827. 
- Tong, H., (1983). Threshold Models in Non-Linear Time Series Analysis.  Springer: New York. https://link.springer.com/book/10.1007/978-1-4684-7888-4
- Tong, H. & Lim, K. S., (1980). “Threshold Autoregression, Limit Cycles and Cyclical Data”. Journal of the Royal Statistical Society. Series B (Methodological), 42(3): 245–292. http://www.jstor.org/stable/2985164. 
- Tripathi, A., Harekrishna, P. D., Sanikumar, S., Parmar, S. & Upadhyaya, D., (2025). “Advanced Stock Market Prediction using Conv-LSTM with Genetic Algorithm Optimization and Market Sentiment Integration”. Grenze International Journal of Engineering & Technology (GIJET), 8(1): 5-24. https://doi.org/10.48550/arXiv.2505.05325. 
- Wang, P., (2008). Financial Econometrics. Taylor & Francis. Routledge Press. https://doi.org/10.4324/9780203892879. 
- Zakhidov, G., (2024). “Economic Indicators: Tools for Analyzing Market Trends and Predicting Future Performance”. International Multidisciplinary Journal of Universal Scientific Prospective, 2(3): 23-29. https://www.scirp.org/reference/referencespapers?referenceid=3897171. 
- Zheng, H., Wu, J., Song, R., Guo, L. & Xu, Z., (2024). “Predicting Financial Enterprise Stocks and Economic Data Trends Using Machine Learning Time Series Analysis”. Applied and Computational Engineering, 87(1): 26-32. https://doi.org/10.54254/2755-2721/87/20241562. 
- Zivot, E. & Andrews, D. W. K., (1992). “Further Evidence on the Great Crash the Oil-Price Shock and the Unit-Root Hypothesis”. Journal of Business and Economic Statistics, 10(3): 51:70. https://doi.org/10.2307/1391541. 
 
فصلنامه مطالعات اقتصادی کاربردی ایران
دوره 14، شماره 55
شماره انگلیسی
آبان 1404
صفحه 121-151

فایل ها

هم رسانی

ارجاع به این مقاله

آمار