بورس اوراق بهادار تهران، مطالعات داخلی و خارجی، شرکتهای سرمایه گذاری


 

تا اینجا شاخص کل بازار بورس را تحت عنوان TEPIX را معرفی کردیم، همانطور که گفته شد این شاخص همه شرکت های پذیرفته شده در بورس را در برمی گیرد، به همین دلیل این شاخص بسیار جامع می باشد و می تواند نماینده خوبی از وضعیت موجود بازار باشد، این شاخص می تواند به اقتصاددان ها در تحلیل اوضاع موجود اقتصادی کشور و بررسی آن کمک کند و در کل می تواند در اکثریت مواقع جهت گیری بازار را نشان دهد.
ولی با یک شاخص کلی مثل TEPIX امکان بررسی و تحلیل و ارزیابی بخش های مختلف بازار وجود ندارد، یعنی ما با این شاخص نمی توانیم به بررسی بخش های جزئیتری و کوچک تر بازار بپردازیم، از اینرو شاخص های اختصاصی و جزئیتری ایجاد شده است که کمک میکند تا سرمایه گذاران بتوانند در بخشهایی که مایلند سرمایه گذاری کنند با اطلاعات دقیقتری در آن بخش سرمایه گذاری کنند. این شاخص ها عبارتند از:
2-2-14-1: شاخص صنایع
این شاخص دربرگیرنده شرکت های صنعتی است و از نظر محاسبه همانندTEPIX محاسبه می شود، فقط تعداد شرکت های آن محدود شده است. سرمایه گذارانی که میخواهند در شرکت های صنعتی سرمایه گذاری کنند، بهتر است که با توجه به شاخص های این گروه به تصمیم گیری بپردازند.
2-2-14-2: شاخص شرکت
شاخص شرکت به تفکیک برای هر شرکت پذیرفته شده محاسبه و مبنای محاسباتی همانند روشی است که در محاسبه شاخص صنایع و کل بکار می رود، شاخص شرکتهای جدید در بدو پذیرش 100 تعیین شده تا امکان بررسی تغییرات آنها فراهم باشد.
2-2-14-3: شاخص 50 شرکت با بیشترین ارزش
سازمان بورس اوراق بهادار تهران هر سه ماه یکبار 50 شرکت با بیشترین ارزش جاری را انتخاب کرده، این شرکت ها سهم بیشتر بازار را در اختیار دارند و در واقع از مزایای این شاخص این است که اثرات منفی شرکت های کوچک در شاخص جلوگیری می کند.
در پایان هر سه ماه این شرکت ها مورد بررسی قرار گرفته و در صورت لزوم از این لیست حذف و شرکت های جدید به آن اضافه می شود.
2-3: پیشینه تحقیق
مطالعات صورت گرفته را می توان به دو دسته تقسیم کرد: دسته نخست مطالعاتی که در زمینه کارایی یا عدم عدم کارایی بازار بورس صورت گرفته، دسته دوم مطالعاتی که به مقایسه روشهای هوشمند با روشهای کلاسیک می پردازند. تقریبا تمامی مطالعات انجام شده در زمینه کارایی بازار حاکی از عملکرد بهتر روشهای هوشمند نسبت به روشهای خطی می باشند. در این بخش به بررسی مطالعات داخلی و خارجی صورت گرفته در زمینه پیش بینی قیمت سهام می پردازیم.
2-3-1: مطالعات داخلی
حسن زاده (1388) در پایان نامه کارشناسی ارشد خود برای پیش بینی قیمت سهام شرکت های شهد ایران، چادرملو، سایپا، اقتصاد نوین و پتروشیمی آبادان از برنامه ریزی ژنتیک استفاده نمود. ابتدا با استفاده از آماره η متریک پیش بینی پذیری هر یک از شرکت های مزبور محاسبه شد و سپس با استفاده از برنامه ریزی ژنتیک مدل سازی پیش بینی قیمت صورت پذیرفت. نتایج با نتایج بدست آمده از مدل FARIMA-FIGARCH مقایسه گردید. نتایج تحقیق بیانگر کمتر بودن میانگین خطای پیش بینی مدل FARIMA-FIGARCH از مدل برنامه ریزی ژنتیک بود.
آذر و افسر (1385) در تحقیق خود مدل شبکههای عصبی فازی پیش بینی قیمت سهام را طراحی کرده و از لحاظ شش معیار ارزیابی عملکرد با روش ARIMA مقایسه نمودند. نتایج این تحقیق بیانگر این حقیقت است که شبکه های عصبی فازی در تمامی شش معیار ارزیابی عملکرد بر روش ARIMA برتری داشته است و دارای ویژگیهای منحصر به فرد همگرایی سریع، دقت بالا و توانایی تقریب تابع قوی هستند و برای پیش بینی شاخص قیمت سهام مناسب می باشند.
ابوئی مهریزی (1385) پیش بینی قیمت سهام را با استفاده از شبکه های عصبی-فازی (ANFIS) انجام داده است. در پیش بینی بلند مدت پس از انجام محاسبات 18 مدل به دست آمد که از بین آنها مدل TRIMF به عنوان مدل بهینه انتخاب شد. در مدل پیش بینی کوتاه مدت برای هر دوره 6 مدل طراحی شد که با توجه به سطح خطا مدل TRIMF برای سه ماههی اول، مدل TRAPMFبرای سه ماههی دوم، مدل GAUSSZMF برای سه ماههی سوم و مدل TRAPMFبرای سه ماههی چهارم به عنوان مدل بهینه انتخاب شدند.
عطری نژاد (1385) در پایان نامه کارشناسی ارشد خود پیش بینی روند تغییرات در بازار بورس را با استفاده از سری زمانی گارچ انجام داده است. نتایج این مدل بر روی پنج سهم کالسیمین، ملی سرب و روی ایران، نیرو ترانس، معدنی املاح ایران و آهنگری تراکتورسازی مورد بحث قرار گرفته است.
مهدوی و بهمنش(1384) در تحقیق خود از شبکه های عصبی مصنوعی برای پیش بینی قیمت سهام شرکت سرمایه گذاری البرز استفاده نمودند. نتیجه حاصل از مدل طراحی شده نشان می دهد که اگر یک شبکه عصبی مصنوعی درست آموزش ببیند می تواند روابط بین متغیرها را (هر چند پیچیده و غیرخطی) شناسایی کرده و در پیش بینی قیمت سهام شرکتهای سرمایه گذاری با حداقل خطا (در این تحقیق044/0) موثر واقع شود.
طالبی (1384) در پایان نامه کارشناسی ارشد خود قیمت سهام 10 روز آینده 40 شرکت فعال در بورس اوراق بهادار تهران را با استفاده از 3 روش شبکه عصبی پیشخور تک لایه با الگوریتم یادگیری لونبرگ-مارکوات و معیار عملکرد میانگین مربعات خطا با ورودی ارزش بازار، شبکه عصبی با اضافه کردن میانگین های متحرک 5، 10، 20روزه و ROC و RSI 12 روزه و مدل ARMA پیش بینی نمود. نتایج بدست آمده نشان داده است که مدل خطی ARMA بهتر از مدلهای غیر خطی شبکه های عصبی توانسته اند پیچیدگیهای سری های زمانی قیمت سهام را تجزیه و تحلیل نموده و برای پیش بینی قیمت سهام مورد استفاده قرار گیرد.
عربی (1384) در م
طالعهی خود به مقایسهی روش شبکهی عصبی با روش ARIMA در پیش بینی قیمت سهام شرکت سرمایه گذاری صنایع پتروشیمی پرداخته است. نتایج حاصل از ANN و ARIMA حاکی از برتری عملکرد شبکه عصبی مصنوعی نسبت به ARIMA می باشد.
زارع (1384) در مطالعهای رفتار شاخص قیمت سهام را در ایران مورد بررسی قرار داده است. وی با استفاده از یک الگوی خود همبسته با وقفه توزیعی (ARDL) و بهره گیری از مدل تعالی قیمت گذاری دارایی های سرمایه ای (CAPM) سعی در شناخت و تبیین تاثیر برخی از متغیرهای تاثیرگذاری بر شاخص قیمت سهام بازار بورستهران طی دوره فصل سوم سال 1372 تا فصل اول سال 1382 دارد. نتایج الگوی کوتاه مدت نشان می دهد که متغیرهای وقفه اول لگاریتم شاخص قیمت سهام، لگاریتم نسبت شاخص قیمت داخلی به خارجی، لگاریتم قیمت نفت و لگاریتم بهای سکه دارای تاثیر مثبت و ورودی لگاریتم نرخ ارز و لگاریتم حجم پول دارای تاثیر منفی و معنی داری بر روی متغیر لگاریتم شاخص قیمت سهام می باشد. نتیجه برآورد الگوی بلند مدت نشان می دهد که متغیرهای لگاریتم نسبت شاخص قیمت داخلی به خارجی، لگاریتم شاخص قیمت مسکن، لگاریتم قیمت نفت و لگاریتم بهای سکه دارای رابطه مستقیم و دو متغیر لگاریتم نرخ ارز و لگاریتم حجم پول دارای رابطه عکس و معنی داری با متغیر لگاریتم شاخص قیمت سهام می باشند.
هادی پور (1382) مطالعهای جهت تعیین بهترین مدل پیش بینی قیمت سهام در گروه صنایع غذایی و آشامیدنی بورس اوراق بهادار تهران انجام داده است. در این تحقیق پیش بینی با استفاده از روش های سری زمانی تخمین روند، هموارسازی نمایی و میانگین متحرک و باکس-جنکینز برای 4 هفته انتهایی سال 79 انجام شده است و سپس شاخص MSE روش های مختلف با یکدیگر مقایسه شده است. این تحقیق به این نکته اصرار می ورزد که مدل مشخصی برای پیش بینی قیمت سهام در گروه صنایع غذایی و آشامیدنی وجود ندارد و برای پیش بینی قیمت سهام هر شرکت ابتدا باید با استفاده از روند و خصوصیات آن سری زمانی داده ها، مدل مناسب را با استفاده از روش شناسی مدلهای پیش بینی انتخاب و سپس با استفاده از آن مدل به پیش بینی قیمت سهام آن شرکت اقدام نمود.
عباسپور (1381) مطالعهای جهت پیش بینی قیمت سهام شرکت ایران خودرو در بازار بورس تهران با استفاده از شبکه عصبی مصنوعی انجام داده است. دادههایی که در این مطالعه مورد استفاده قرار گرفته به صورت روزانه بوده و دوره زمانی 80-1379 را شامل می شود. متغیرهای موثر بر قیمت سهام شرکت ایران خودرو شامل نرخ ارز، قیمت نفت، نسبت P/E و حجم مبادلات سهام می باشد. نتایج این تحقیق نشان از برتری نتایج حاصل از پیش بینی قیمت توسط شبکه عصبی مصنوعی نسبت به روش باکس – جنکنیز می باشد.