1
عضو هیأت علمی گروه حسابداری دانشگاه آزاد اسلامی واحد لاهیجان
2
کارشناس ارشد آمار، دانشگاه صنعتیامیرکبیر، دانشکده علوم پایه، تهران، ایران
3
کارشناس ارشد آمار، دانشگاه تربیت مدرس، دانشکده علوم ریاضی، تهران، ایران
10.22034/iaas.2015.103472
چکیده
انتخاب متغیر، یکی از مراحل مهم در مدلسازی آماری است. برای این منظور، معمولاً از روشهایی نظیر حذف پسرو استفاده میشود. از آنجایی که در این روشها دو مرحله ی برآورد مدل و انتخاب متغیر به طور جداگانه صورت میگیرد، نتیجهی حاصل بیثبات خواهد بود. به همین دلیل اخیراً گروه دیگری از روشهای انتخاب متغیر به نام روشهای انقباضی مطرح شدهاند که در این بین، LASSO از محبوبیت ویژهای برخوردار است. در این تحقیق با استفاده از LASSO در نرمافزار R، مهمترین متغیرهای بنیادی حسابداری موثر بر بازدهی سهام شرکتهای پذیرفته در بورس اوراق بهادار تهران در بازهی زمانی 1390-1386، شناسایی میشوند. براساس یافتههای تحقیق، بازدهی داراییها در تمام سالها به عنوان یک متغیر مهم برای پیشبینی بازدهی سهام برگزیده شد. در مقابل سه متغیر سرمایهگذاریها، حاشیه سود ناخالص و تغییرات نقدینگی در هیچ یک از سالها، انتخاب نشدند. پیچیدهترین و سادهترین مدل، مربوط به سالهای 1388 و 1389 به ترتیب با دو و شش متغیر است.
سیدنژاد فهیم,سیدرضا , سهرابی,نرگس و موقری,هادی . (1394). پیش بینی بازده سهام با استفاده از روش انقباضی LASSO. مطالعات حسابداری و حسابرسی, 4(13), 40-53. doi: 10.22034/iaas.2015.103472
MLA
سیدنژاد فهیم,سیدرضا , , سهرابی,نرگس , و موقری,هادی . "پیش بینی بازده سهام با استفاده از روش انقباضی LASSO", مطالعات حسابداری و حسابرسی, 4, 13, 1394, 40-53. doi: 10.22034/iaas.2015.103472
HARVARD
سیدنژاد فهیم سیدرضا, سهرابی نرگس, موقری هادی. (1394). 'پیش بینی بازده سهام با استفاده از روش انقباضی LASSO', مطالعات حسابداری و حسابرسی, 4(13), pp. 40-53. doi: 10.22034/iaas.2015.103472
CHICAGO
سیدرضا سیدنژاد فهیم, نرگس سهرابی و هادی موقری, "پیش بینی بازده سهام با استفاده از روش انقباضی LASSO," مطالعات حسابداری و حسابرسی, 4 13 (1394): 40-53, doi: 10.22034/iaas.2015.103472
VANCOUVER
سیدنژاد فهیم سیدرضا, سهرابی نرگس, موقری هادی. پیش بینی بازده سهام با استفاده از روش انقباضی LASSO. مطالعات حسابداری و حسابرسی, 1394; 4(13): 40-53. doi: 10.22034/iaas.2015.103472
