نوع مقاله : مقاله پژوهشی

نویسندگان

1 گروه حسابداری، واحد تهران جنوب، دانشگاه آزاد اسلامی، تهران، ایران.

2 گروه حسابداری، واحد کرج، دانشگاه آزاد اسلامی، کرج، ایران.

چکیده

ﯾﮑﯽ از ﻣﺴﺎﺋﻞ ﻣﻬﻤﯽ ﮐﻪ ﭘﮋوﻫﺸﮕﺮان و داﻧﺸﻤﻨﺪان ﺣﻮزه ﺗﺼﻤﯿﻢﮔﯿﺮی و ﭘﯿﺶﺑﯿﻨﯽ ﺑﺎ آن روﺑﺮو ﻫﺴﺘﻨﺪ اﻧﺘﺨﺎب ﻣﺘﻐﯿﺮﻫﺎی ﺗﺎﺛﯿﺮﮔﺬار ﺑﺮ ﺧﺮوﺟﯽ ﺗﺼﻤﯿﻢ و ﭘﯿﺶﺑﯿﻨﯽ اﺳﺖ. ﺑﻨﺎﺑﺮاﯾﻦ اﮔﺮ ﺑﺘﻮان ﺑﺎزده ﺳﻬﺎم را ﺑﺎ اﺳﺘﻔﺎده از ﻣﺘﻐﯿﺮﻫﺎی ﻣﻨﺎﺳﺐ ﭘﯿﺶﺑﯿﻨﯽ ﮐﺮد و ﻣﺪلﻫﺎیی ﺑﺮای آن اراﺋﻪ داد در واﻗﻊ ﺷﺮاﯾﻂ ﻣﻄﻤﺌﻦ ﺗﺮی در ﺑﺎزار ﺳﺮﻣﺎﯾﻪ اﯾﺠﺎد ﻣﯽﺷﻮد ﮐﻪ ﺑﻪ اﻣﺮ ﮔﺴﺘﺮش ﺳﺮﻣﺎﯾﻪﮔﺬاری در ﺑﺎزارﻫﺎی ﻣﺎﻟﯽ ﮐﻤﮏ ﺧﻮاﻫﺪ ﮐﺮد. از اینرو هدف مقاله حاضر بررسی پیش‌بینی بازده منفی سهام در بازار سرمایه ایران است. جهت دستیابی به این هدف داده‎های مربوط به 180 شرکت در دوره زمانی 89 الی 95 که از طریق روش حذف سیستماتیک جمع‎آوری گردیده است که از معیار‌های اهرمی، عملکرد، گردش، نوسان، کیفیت و تورپیدو جهت پیش بینی بازده منفی باستفاده گردید که نتایج بیانگر آن است که تمامی این تمامی این معیارها در پیش بینی بازده منفی سهام در بورس تهران جز معیارهای کارآمدی هستند.

کلیدواژه‌ها

موضوعات

عنوان مقاله [English]

Predicting negative stock returns of companies listed on Iran Market Capital

نویسندگان [English]

  • Mohsen Hamidian 1
  • sara boostani 1
  • Hadi Mashhadi ghareh ghieih 2

1 Department of Accounting, South Tehran Branch, Islamic Azad University, Tehran, Iran.

2 Department of Accounting, Karaj Branch, Islamic Azad University, Karaj, Iran.

چکیده [English]

One of the important issues that researchers and scientists face in the area of decision making and Predicting are choosing the variables that influence decision output and prediction. Therefore, if you can predict stock returns with appropriate variables and provide models for it, there will actually be more secure conditions in the capital market, which will help expand investment in financial markets. Therefore, the purpose of this paper is to examine the prediction of negative stock returns in Iran's capital market. In order to achieve this goal, data about 180 companies over the period 2010 to 2016 that was collected through a systematic elimination method that uses leverage, performance, turnover, volatility, quality, and Torpedo criteria to predict negative returns The results indicate that all of these criteria are all effective measures to predict the negative returns of shares in Tehran Stock Exchange.

کلیدواژه‌ها [English]

  • stock returns
  • Predicting
  • Tehran Stock Exchange
برزگری خانقاه، ج؛ جمالی، ز. (1395). پیش‌بینی بازده سهام با استفاده از نسبت‌های مالی؛ کنکاشی در پژوهش‌های اخیر. پژوهش حسابداری، 6(1)،71-92.
جان جانی، ر؛ خدادادی، و. (1394). بررسی ارتباط بین سود و اجزای آن با بازده سهام با تاکید بر کیفیت سود در شرکت های پذیرفته شده در بورس اوراق بهادار تهران. حسابداری مالی، 3(9)، 84-113.
رحیمی، م؛ شاه آبادی، ا. (1394). جریان اطلاعات و پیش بینی پذیری بازده سهام. دانش مالی تحلیل اوراق بهادار، 8(27)، 15-33.
شریعت پناهی، س. م؛ عبادی، ج؛ پیمانی، م. (1390). پیش‌بینی بازده با استفاده از معیارهای مختلف ریسک؛ بر اساس شواهدی از بورس اوراق بهادار تهران. فصلنامه مطالعات تجربی حسابداری مالی، 31، 101- 119.
شمس، ن؛ پارساییان، س. (1391). مقایسه عملکرد مدل فاما و فرنچ و شبکه‌های عصبی مصنوعی در پیش‌بینی بازده سهام در بورس تهران. مجله مهندسی مالی و مدیریت اوراق بهادار، 11، 103- 118.
عباسی، ا؛ باقری، س. (1390). پیش‌بینی بازده سهام با استفاده از مدل‌های غیرخطی آستانه‌ای و بررسی نقش حجم معاملات در بهبود عملکرد این مدل‌ها. فصلنامه علمی- پژوهشی تحقیقات مالی، 32، 91- 108.
علی آب بر، س.(1390). پیش‌بینی بازده سهام با استفاده از مدل‌های خطی و غیرخطی (مطالعه موردی صنعت پتروشیمی)(پایان‌نامه کارشناسی ارشد. دانشگاه سیستان و بلوچستان).
کاویانی، م . (1397). پیش‎بینی بازده سهام شرکت‎های پذیرفته شده در بورس تهران در چارچوب الگوی تعادل عمومی تصادفی پویا (DSGE) و خودرگرسیون برداری (VAR). (پایان نامه دکترا مدیریت مالی، دانشکده مدیریت و حسابداری، دانشگاه آزاد اسلامی  واحد علی آباد کتول).
Fama, E. F., & French, K. R. (1992). The cross‐section of expected stock returns. The journal of finance47(2), 427-465.
Mukherji, S., Jeong, J. G., & Kundagrami, N. (2017). Predicting stock market returns with time-varyingmodels and parameters. The journal of wealth management19(4), 72-84.
McMillan, D. G. (2017). Stock return predictability: the role of inflation and threshold dynamics. International review of applied economics31(3), 357-375.
Kambouroudis, D. S., McMillan, D. G., & Tsakou, K. (2016). Forecasting stock return volatility: a comparison of GARCH, Implied volatility, and realized volatility models. Journal of futures markets36(12), 1127-1163.