پیش بینی نوسانات قیمت سهام با مدل سه عاملی و شبکه های عصبی مصنوعی
ترجمه شده

پیش بینی نوسانات قیمت سهام با مدل سه عاملی و شبکه های عصبی مصنوعی

عنوان فارسی مقاله: مدل سه عاملی و شبکه های عصبی مصنوعی: پیش بینی نوسانات قیمت سهام در چین
عنوان انگلیسی مقاله: The three-factor model and artificial neural networks: predicting stock price movement in China
مجله/کنفرانس: سالانه تحقیقات عملیاتی - Annals of Operations Research
رشته های تحصیلی مرتبط: لوم اقتصادی
گرایش های تحصیلی مرتبط: اقتصاد پولی و اقتصاد سنجی
کلمات کلیدی فارسی: شبکه های عصبی مصنوعی، مدل سه عاملی، پیش بینی قیمت سهام
کلمات کلیدی انگلیسی: Artificial neural networks - Three-factor model - Stock price prediction
شناسه دیجیتال (DOI): https://doi.org/10.1007/s10479-009-0618-0
دانشگاه: دانشکده بازرگانی و دولتی، دانشگاه میسوری، کانزاس سیتی، ایالات متحده آمریکا
صفحات مقاله انگلیسی: 21
صفحات مقاله فارسی: 30
ناشر: اسپرینگر - Springer
نوع ارائه مقاله: ژورنال
نوع مقاله: ISI
سال انتشار مقاله: 2011
ترجمه شده از: انگلیسی به فارسی
فرمت مقاله انگلیسی: PDF
وضعیت ترجمه: ترجمه شده و آماده دانلود
فرمت ترجمه فارسی: pdf و ورد تایپ شده با قابلیت ویرایش
مشخصات ترجمه: تایپ شده با فونت B Nazanin 14
مقاله بیس: بله
مدل مفهومی: ندارد
کد محصول: 8561
رفرنس: دارای رفرنس در داخل متن و انتهای مقاله
پرسشنامه: ندارد
متغیر: دارد
درج شدن منابع داخل متن در ترجمه: بله
ترجمه شدن توضیحات زیر تصاویر و جداول: بله
ترجمه شدن متون داخل تصاویر و جداول: خیر
رفرنس در ترجمه: در داخل متن مقاله درج شده است
نمونه ترجمه فارسی مقاله

چکیده

از زمان تأسیس بورس اوراق بهادار شانگهای  (SHSE) در سال 1990 و بورس اوراق بهادار شنزن  (SZSE) در سال 1991، بازارهای سهام چین به سرعت گسترش یافته است. اگرچه این رشد سریع، توجه دانشگاهیان را به شدت جلب نموده است اما در مورد توانایی مدل های مالی سنتی در پیش بینی نوسانات قیمت سهام چین مطالعات معدودی صورت گرفته است. با توجه به تغییر پذیری بازارهای سهام چین و ریسک افزوده ناشی از محیط قانونی و اصلاحی چین، جای خالی این مطالعات به شدت حس می شود. ما در این مقاله با بررسی توانایی چند مدل پیش گویی موفق، از جمله نسخه های مدل مبتنی بر CAPM تک عاملی و مدل سه عاملی Fama and French به این کمبود در پژوهش ها خواهیم پرداخت. علاوه بر این ما توانایی پیش گویی این مدل ها را با توانایی مدل شبکه عصبی مصنوعی (ANN) مقایسه می کنیم که دارای همان متغیرهای پیش گویی است اما فاقد فرض خطی بودن مدل می باشد. جالب توجه است که ما در دقت پیش بینی مدل CAPM و مدل سه عاملی هیچ تفاوت آماری مشاهده نمی کنیم که می تواند نشان دهنده ماهیت نوظهور بازارهای سهام چین باشد. همچین دریافتیم که هر یک از مدل های ANN نسبت به مدل خطی مشابه خود دارای عملکرد بهتری است که نشان می دهند شبکه های عصبی می تواند ابزاری مناسب در پیش بینی قیمت سهام در بازارهای نوظهور باشد.

1 مقدمه

از زمان تأسیس بورس اوراق بهادار شانگهای  (SHSE) در سال 1990 و بورس اوراق بهادار شنزن  (SZSE) در سال 1991، بازارهای سهام چین به سرعت گسترش یافته است. در اواخر سال 2002 بیش از 104 میلیون سرمایه گذار، سهام های موجود در یک یا چند کمپانی از 1604 کمپانی فهرست شده در بازارهای سهام منطقه ای کشور را تصاحب کرده بودند (بورس اوراق بهادار شانگهای و شنزن، 2009). این رشد سریع که حاکی از نرخ بالای پس انداز شخصی چین و نبود فرصت های سرمایه گذاری جایگزین می باشد (یونگ و مک گینس ، 2001؛ کانگ  و سایرین، 2002)، بر خلاف خصوصیات بازار که رخ داد که برای سرمایه گذاران داخلی سؤالات مهمی را در زمینه مدیریت ریسک ایجاد نمود.

نمونه متن انگلیسی مقاله

Abstract

Since the establishment of the Shanghai Stock Exchange (SHSE) in 1990 and the Shenzhen Stock Exchange (SZSE) in 1991, China’s stock markets have expanded rapidly. Although this rapid growth has attracted considerable academic interest, few studies have examined the ability of conventional financial models to predict the share price movements of Chinese stock. This gap in the literature is significant, given the volatility of the Chinese stock markets and the added risk that arises from the Chinese legal and regulatory environment. In this paper we address this research gap by examining the predictive ability of several well-established forecasting models, including dynamic versions of a single-factor CAPM-based model and Fama and French’s three-factor model. In addition, we compare the forecasting ability of each of these models with that of an artificial neural network (ANN) model that contains the same predictor variables but relaxes the assumption of model linearity. Surprisingly, we find no statistical differences in the forecasting accuracy of the CAPM and three-factor model, a result that may reflect the emerging nature of the Chinese stock markets. We also find that each ANN model outperforms the corresponding linear model, indicating that neural networks may be a useful tool for stock price prediction in emerging markets.

1 Introduction

Since the establishment of the Shanghai Stock Exchange (SHSE) in 1990 and the Shenzhen Stock Exchange (SZSE) in 1991, China’s stock markets have expanded rapidly. By the end of 2002, more than 104 million investors owned shares in one or more of the 1,604 companies listed on the country’s regional stock markets (Shanghai and Shenzhen Securities Exchanges, 2009). This rapid growth, which reflects China’s high personal savings rate and the absence of alternative investment opportunities (Young and McGuiness 2001; Kang et al. 2002), has occurred despite market characteristics that raise important risk management questions for domestic investors.

ترجمه فارسی فهرست مطالب

چکیده

1.مقدمه

2. مروری بر مقالات و کتب

2.1. مدل های CAPM و سه عاملی

2.2. مدل های شبکه عصبی مصنوعی

3. داده ها و روش شناسی

3.1. داده ها

3.2. روش شناسی

3.3. روال دقت پیش بینی

3.4. فرضیات

4. نتایج

4.1. فرض H1

4.2. فرض H2

4.3. مجموعه فاما-فرنچ

4.4. آزمون دیبلود و ماریانو

5. بحث

فهرست انگلیسی مطالب

Abstract

1 Introduction

2 Review of literature

2.1 The CAPM and three-factor models

2.2 Artificial neural network models

3 Data and methodology

3.1 Data

3.2 Methodology

3.3 Forecasting accuracy procedure

3.4 Hypotheses

4 Results

4.1 Hypothesis H1

4.2 Hypothesis H2

4.3 Fama-French portfolios

4.4 Diebold and Mariano test

5 Discussion

محتوای این محصول:
- اصل مقاله انگلیسی با فرمت pdf
- ترجمه فارسی مقاله با فرمت ورد (word) با قابلیت ویرایش، بدون آرم سایت ای ترجمه
- ترجمه فارسی مقاله با فرمت pdf، بدون آرم سایت ای ترجمه
قیمت محصول: ۳۵,۰۰۰ تومان
خرید محصول