کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
6862794 677027 2013 8 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Posterior probability model for stock return prediction based on analyst's recommendation behavior
ترجمه فارسی عنوان
مدل احتمالی عقلی برای پیش بینی بازگشت سهام براساس رفتار توصیفی تحلیلگر
کلمات کلیدی
توصیه های سهام، پیش بینی بازگشت، استنتاج بیزی، توزیع برگشتی پشتی، مالیات رفتاری،
ترجمه چکیده
مطالعات موجود در مورد پیش بینی بازگشت سهام، عمدتا مسئله را در یک چارچوب تجزیه و تحلیل عددی شکل می دهند. انواع مختلف مدل های سری زمانی و روش های بهینه سازی اعمال می شود. در این مقاله، روش پیش بینی جدیدی را بر اساس رفتار توصیه های تحلیل گران مورد بررسی قرار می دهیم. با ترکیب هر توصیه و بازده سهام، یک مدل احتمالی خلفی همراه با توصیه تحلیلگر براساس استنتاج بیزی استوار است. این برآورد توزیع سهام سهام برای چند روز آینده پس از توصیه را فراهم می کند و به این ترتیب به عنوان یک پیش بینی جدید از دیدگاه مالی رفتاری عمل می کند. بر اساس مطالعات تجربی بر روی بازار سهام چین، ما پیش بینی عملکرد برتر نسبت به روش های سنتی را نشان می دهیم. حداکثر دقت مدل می تواند بین 84.3٪ تا 94.2٪ رسیده باشد. دقت متوسط ​​بین 58.6٪ و 60.3٪ می باشد، در حالی که فقط از 43.5٪ به 56.2٪ یا پایین تر از روش های پیش بینی سنتی است. ما همچنین می بینیم که اکثر تحلیلگران می توانند توصیه هایی را ارائه دهند که تناسب اندام بین 0.5 تا 0.6 در زمان توصیه شده پیروی می کند. این یافته مطابق با نتیجه اولیه است که نشان می دهد که تحلیل گران سهام هنگامی که توصیه می کنند، شهرت خود را حفظ می کنند. سازگاری همچنین اثربخشی روش پیشنهادی را تایید می کند.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر هوش مصنوعی
پیش نمایش مقاله
مدل احتمالی عقلی برای پیش بینی بازگشت سهام براساس رفتار توصیفی تحلیلگر
چکیده انگلیسی
Existing studies on stock return forecasting mainly formulate the issue in a numeric analysis framework. Various kinds of time series models and optimization methods are applied. In this paper, we explore a new prediction approach based on the behavior of analysts' recommendations. By combining each recommendation and stock return, a posterior probability model associated with an analyst's recommendation is built based on Bayesian inference. It provides an estimation of stock return distribution for next several days after recommendation, and thus serves as a novel predictor from point of view of behavioral finance. Based on the empirical studies on China stock market, we demonstrate the superior forecasting performance over traditional methods. The model's maximum accuracy can be reached between 84.3% and 94.2%. The average accuracy falls between 58.6% and 60.3%, while it is just from 43.5% to 56.2% or lower by traditional prediction methods. We also find that most of the analysts can produce recommendations which fitness lies between 0.5 and 0.6 at the successive recommendation time. The finding is in accordance with early conclusion which indicates that stock analysts tend to maintain their reputation when they issue recommendations. The consistency also confirms the effectiveness of the proposed method.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Knowledge-Based Systems - Volume 50, September 2013, Pages 151-158
نویسندگان
, , ,