پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 161 |
| تعداد شماره‌ها | 6,533 |
| تعداد مقالات | 70,514 |
| تعداد مشاهده مقاله | 124,130,457 |
| تعداد دریافت فایل اصل مقاله | 97,236,842 |
بهینه‌سازی پیش‌بینی بازده سهام مبتنی بر ریسک در صنایع منتخب بورس اوراق بهادار تهران (رهیافت تحلیل پوششی داده‌ها) | ||
| تحقیقات مالی | ||
| دوره 26، شماره 2، 1403، صفحه 331-354 اصل مقاله (490.87 K) | ||
| نوع مقاله: مقاله علمی پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22059/frj.2023.339775.1007309 | ||
| نویسندگان | ||
| حمیدرضا اخباری1؛ حیدر محمدزاده سالطه* 2؛ رسول برادران حسن زاده3؛ مهدی زینالی4 | ||
| 1دانشجوی دکتری، گروه حسابداری، واحد تبریز، دانشگاه آزاد اسلامی، تبریز، ایران. | ||
| 2دانشیار، گروه حسابداری، واحد مرند، دانشگاه آزاد اسلامی، مرند، ایران. | ||
| 3دانشیار، گروه حسابداری، واحد تبریز، دانشگاه آزاد اسلامی، تبریز، ایران. | ||
| 4استادیار، گروه حسابداری، واحد تبریز، دانشگاه آزاد اسلامی، تبریز، ایران. | ||
| چکیده | ||
| هدف: سرمایه‌گذاری یکی از موضوعات مهم در اقتصاد همۀ کشورهاست که برای افراد و مقامات ارشد کشورها، اهمیت بسیار زیادی دارد. سرمایه‌گذاری انتخاب دارایی برای حفظ و کسب درآمد بیشتر، به‌منظور رفاه آینده است. یکی از مباحث مهمی که در بازارهای سرمایه مطرح است و سرمایه‌گذاران اعم از اشخاص حقیقی یا حقوقی باید به آن توجه کنند، بحث بهینه‌سازی بازده سهام است که به پیش‌بینی بازده سهام مرتبط است. بر این اساس پژوهش حاضر با هدف بهینه‌سازی پیش‌بینی بازده سهام مبتنی بر ریسک، در صنایع منتخب بورس اوراق بهادار تهران اجرا شده است. روش: تجزیه‌وتحلیل داده‌ها در دو بخش انجام شد. در مرحلۀ نخست، داده‌ها به‌کمک روش داده‌های ترکیبی و همچنین فرایند خودرگرسیون مرتبۀ اولAR(1) ر دورۀ زمانی ۱۳۸۹ تا ۱۳۹۸ برآورد شد و با استفاده از این مدل، بازده سهام برای صنایع منتخب بورس اوراق بهادار پیش‌بینی شد. در مرحلۀ دوم، به‌کمک روش تحلیل پوششی داده‌ها (DEA)، هینه‌سازی پیش‌بینی بازده سهام در مرحله قبل، برای صنایع منتخب بورس اوراق بهادار تهران در دورۀ زمانی ۱۳۸۹ تا ۱۳۹۸ صورت گرفت. یافته‌ها: نتایج بهینه‌سازی پیش‌بینی بازده سهام در سه صنعت استخراج نفت‌وگاز بجز اکتشاف، استخراج کانه‌های فلزی و فراورده‌های نفتی نشان داد که صنعت استخراج نفت‌وگاز بجز اکتشاف با میزان4214/0 نسبت به سایر صنایع کارایی بیشتری دارد. پس از آن، صنعت استخراج کانه‌های فلزی با میزان کارایی 3728/0 در رتبۀ دوم و صنعت فراورده‌های نفتی با میزان کارایی 2516/0 در رتبۀ سوم از نظر میزان کارایی قرار گرفتند. نتیجه‌گیری: بهینه‌سازی پیش‌بینی بازده سهام در صنعت استخراج نفت‌وگاز بجز اکتشاف، در مقایسه با صنایع دیگری که در این مطالعه بررسی شد، در سطح بالاتری قرار دارد. با توجه به اینکه در کشور صنعت نفت کارآمدتر و بهینه‌تر عمل کرده است، می‌توان نفت را با روش‌های مؤثر وارد چرخۀ تولید کرد و با ورود تکنولوژی یا فناوری به کشور آن را عرضه کرد. از آنجا که تولیدات صنایع دیگر، از تولیدات سه صنعت مورد بررسی در این مطالعه بسیار کمتر است، برای افزایش تولیدات کالاهای صنعتی و غیرنفتی و کاهش واردات و افزایش صادرات کالاهای نهایی به دیگر کشورها، به‌منظور افزایش رشد اقتصادی، باید اقدام‌های اساسی صورت گیرد. از این رو پیشنهاد می‌شود که در ابتدا، از صنعت استخراج نفت‌وگاز بجز اکتشاف، برای تولید کالاهای نهایی از این صنعت استفاده شود و پس از آن، برای تولید کالاهای نهایی، به دیگر صنایع روی آورد. همچنین از آنجایی که صنعت فراورده‌های نفتی، تحت تأثیر متغیرهای بیشتری در پیش‌بینی بازده سهام قرار می‌گیرد، پیشنهاد می‌شود که سرمایه‌گذاران صنعت فراورده‌های نفتی، متغیرهای مورد مطالعه در این پژوهش، به‌ویژه نرخ رشد تولیدات صنعتی را از قبل بدانند و بازده سهام و میزان سرمایه‌گذاری خود را در نظر بگیرید. برای پژوهش‌های آتی، پیشنهاد می‌شود که بهینه‌سازی پیش‌بینی بازده سهام در صنایع مهم دیگری مانند صنعت دارویی، عرضۀ برق، بخار و آب گرم و غیره نیز بررسی و ارزیابی شده و با نتایج این مطالعه مقایسه شود. | ||
| کلیدواژه‌ها | ||
| بهینه‌سازی؛ پیش‌بینی بازده سهام؛ ریسک؛ صنایع بورس اوراق بهادار تهران | ||
| عنوان مقاله [English] | ||
| Optimizing Risk-based Stock Return Prediction in Tehran Stock Exchange industries: A Data Envelopment Analysis | ||
| نویسندگان [English] | ||
| Hamidreza Akhbari1؛ Heydar Mohammadzadeh Salteh2؛ Rasoul Baradaran Hassanzadeh3؛ Mehdi Zeynali4 | ||
| 1PhD Candidate, Department of Accounting, Tabriz Branch, Islamic Azad University, Tabriz, Iran. | ||
| 2Associate Prof., Department of Accounting, Marand Branch, Islamic Azad University, Marand, Iran. | ||
| 3Associate Prof., Department of Accounting, Tabriz Branch, Islamic Azad University, Tabriz, Iran. | ||
| 4Assistant Prof., Department of Accounting, Faculty of Management Economic and Accounting, Tabriz Branch, Islamic Azad University, Tabriz, Iran. | ||
| چکیده [English] | ||
| Objective Investment, the choice of assets to maintain and earn more for future prosperity, is one of the most important issues in the economy of all countries, commanding attention from individuals and high-ranking officials alike. Enhancing stock returns through forecasting is a critical concern in capital markets, necessitating attention from both individual and institutional investors. Accordingly, the present study aims to optimize the forecast of risk-based stock returns in selected industries of the Tehran Stock Exchange. Methods Data analysis was performed in two phases. In the first phase, the data were estimated using a combined data method and AR (1) autoregressive process, from 2010 to 2019. This model forecasts stock returns for selected industries on the stock exchange. In the second stage, using Data Envelopment Analysis (DEA), stock return forecast optimization by the previous stage was optimized for selected industries of the Tehran Stock Exchange from 2010 to 2019. Results The results of optimization of stock return forecast in three industries of oil and gas extraction except exploration, extraction of metal ores and petroleum products revealed that the oil and gas extraction industry, except exploration, exhibited a higher efficiency of 0.4214 compared to other industries. The metal ore mining industry with an efficiency of 0.3728 stood in second place and the petroleum products industry with an efficiency of 0.2516 ranked in third place in terms of efficiency. Conclusion Therefore, it can be said that optimizing stock return prediction in the oil and gas extraction industry, excluding exploration, is at a higher level compared to other industries examined in this study. Given the oil industry's higher efficiency and optimization within the country, it is feasible to integrate oil into the production cycle using effective methods and introduce technological advancements to enhance oil supply within the country. This is particularly viable as the production output of other industries is significantly lower compared to these three industries. basic measures should be taken to increase the production of industrial and non-oil goods to reduce imports and increase exports of final goods to other countries to increase economic growth. Hence, it is recommended to utilize the oil and gas extraction industry, excluding exploration, for the production of final goods, followed by leveraging other industries for further production of final goods. Also, since the oil products industry is influenced by more variables in predicting stock returns, it is recommended that investors in the oil products industry be aware of the variables studied in this research, especially the industrial production growth rate, and consider their stock returns and investment levels accordingly. Future research should explore and assess the optimization of stock return forecasting in other significant industries like pharmaceuticals, electricity, steam, hot water supply, etc. to compare and evaluate their outcomes alongside the findings of this study. | ||
| کلیدواژه‌ها [English] | ||
| Forecasting Stock Returns, Optimization, Risk, Tehran Stock Exchange Industries | ||
| مراجع | ||
|
اعلمی فر، ساناز؛ خانی، عبداله و امیری، هادی (1400). بسط مدلهای عاملی قیمت‌گذاری q فاکتور و q فاکتور تعدیل‌شده با عامل رشد ـ سرمایه‌گذاری مورد انتظار با استفاده از عامل بازده مورد انتظار، تحقیقات مالی، 23(4)، 593- 624.
بحری ثالث، جمال؛ پاکمرام، عسگر و ولیزاده، مصطفی (1397). «انتخاب و بهینه‌سازی سبد سهام با استفاده از روش میانگین واریانس مارکویتز با بهرهگیری از الگوریتمهای مختلف». فصلنامه علمی پژوهشی دانش مالی تحلیل اوراق بهادار، 11(37)، 43- 57.
پورزمانی، زهرا و روحانی، اکرم (۱۳۹۴) رابطه میان کیفیت گزارشگری مالی و سرعت با استفاده از معیارهای ترکیبی عملکرد پرتفولیو. پژوهش‌های حسابداری مالی و حسابرسی 8(29)، 149- 163.
حسینیان، کبری و موُمنی، علیرضا (۱۳۹۸). «بررسی تأثیر ریسک اطلاعاتی بر بازده سهام و هزینه سرمایه در شرکتهای پذیرفته شده در بورس اوراق بهادار تهران». پنجمین کنفرانس بین المللی علوم مدیریت و حسابداری، تهران، موسسه آموزشی عالی مهر اروند و مرکز راه‌کارهای دستیابی به توسعه پایدار.
حمیدیه، علیرضا؛ کاویان، میثم و اخگری، بهاره (1402). بهینه‌سازی استوار پرتفوی تحت معیار ارزش در معرض ریسک شرطی ـ فاصله‌ای (ICVaR) در بورس تهران. تحقیقات مالی، 25(3)، 508- 528.
دارابی، رویا (۱۳۹۹) توان توضیح‌دهندگی بازده‌های سهام به‌وسیله نوسانات نامتعارف (ریسک غیرسیستماتیک). تحقیقات حسابداری و حسابرسی انجمن حسابداری ایران، (45)، ۱۷۰-۱۴۷.
دانش عسگری، تهمینه (1390). «بررسی تأثیر پیش‌بینی سود مدیریت بر ریسک و ارزش شرکتهای پذیرفته شده در بورس اوراق بهادار تهران». پایان نامه کارشناسی ارشد، دانشگاه آزاد اسلامی واحد اراک.
دستگیر، محسن؛ گوگردچیان، احمد؛ آدمیت، ستاره (1394). «رابطه بین کیفیت سود (پراکندگی سود) و بازده سهام». پژوهش‌های حسابداری مالی و حسابرسی، 7(26)، 21-37.
راعی، رضا؛ نمکی، علی و احمدی، مؤمن (1401). پیاده‌سازی رویکرد استوار نسبی برای انتخاب پرتفوی بهینه در بورس اوراق بهادار تهران با استفاده از برنامه‌ریزی مخروطی مرتبه دوم. تحقیقات مالی، 24(2)، 184-213.
شاکر اردکانی، جواد (1393). تحلیل پوششی داده‌ها (DEA) و کاربرد آن در اندازه گیری کارایی و بهبود عملکرد موسسات آموزشی. (چاپ اول)، نشر هومان.
شباهنگ، رضا (1381). «تئوری حسابداری، جلد اول، مرکز پژوهش‌های تخصصی حسابداری و حسابرسی، سازمان حسابرسی». (چاپ اول). نشریه 151.
شیرکوند، سعید و فدائی، حمیدرضا (1401) بهینه‌سازی سبد سهام استوار با به‌کارگیری مدلهای چند متغیره و امگا- ارزش در معرض ریسک شرطی بر پایه ملاک حداقل حداکثر پشیمانی. تحقیقات مالی، 24(1)، 1-17.
طالبنیا، قدرت اله؛ احمدی، سید محسن و بیات، مرتضی (1394). «بررسی ارتباط بین کیفیت اقلام تعهدی و ریسک غیر سیستماتیک». پژوهش‌های حسابداری مالی، 7(2)، 33-52.
فلاح‌پور، سعید و قهرمانی، علی (1400). معرفی و بررسی ویژگیهای مرکزیت به‌عنوان معیاری نوین برای تحلیل شبکه، سنجش ریسک و انتخاب پرتفوی سهام. تحقیقات مالی. 23(2)، 158-171.
قائمی، محمدحسین و طوسی، سعید (1385). بررسی عوامل مؤثر بر بازده سهام عادی شرکتهای پذیرفته شده در بورس اوراق بهادار تهران. پیام مدیریت، (17و 18)، 159- 175.
قائمی، محمدحسین و کیانی، آیدین (1391). بازده سهام و تغییرات نامنتظره سود: سطح بازار در مقایسه با سطح شرکت. پژوهش‌های تجربی حسابداری، 3(10)، 39- 52.
کیقبادی، امیررضا و احمدی، محمد (۱۳۹۵) مقایسه کارایی روش‌های GARCH و ARCH پیش‌بینی ارزش در معرض ریسک جهت انتخاب پرتفولیوی بهینه. فصلنامه پژوهش‌های حسابداری مالی و حسابرسی، (32)، ۸۲-۶۳.
گوهرنیا، الهه؛ منصورفر، غلامرضا و بیگلری، فهیمه (1402). الگوریتم نقطه درونی در بهینه‌سازی سبد سهام چند هدفه: رویکرد GlueVaR. تحقیقات مالی، 25(3)، 453- 484.
لگزیان، محمد؛ بقایی، جواد و همایونی راد، محمدحسین (1397). «بررسی تأثیر نسبتهای مالی بر سود شرکت و بازده سهام». دوفصلنامه اقتصاد پولی مالی، 1(1)، 102- 121.
References Aalamifar, S., Khani, A. & Amiri, H. (2022). Developing Q-factor and Adjusted Q-factor Pricing Models by the Expected Investment Growth Factor using an Expected Return Factor, Financial Research Journal, 23(4), 593-624. (in Persian) Addoum, J.M., Delikouras, S. & Korniotis, G.M. (2019). Income Hedging, Dynamic Style Preferences, and Return Predictability. The Journal of Finance, 74 (4), 2055-2106. Angerer, X. & Lam, P.S. (2009). Income risk and portfolio choice: An empirical study. Journal of Finance, 64, 1037–1055. Bahri Sales, J., Pakmaram, A. & Valizadeh, M. (2018). Selection and Portfolio Optimization by Mean–Variance Markowitz Model and Using the Different Algorithms, Financial Knowledge of Securities Analysis, 11(31), 43-53. (in Persian) Bakshi, G. & Chen, Z. (2005). Stock valuation in dynamic economies. Journal of Financial Markets, 8(2), 111-151. Bansal, R. & Lundblad, C. (2002). Market efficiency, asset returns, and the size of the risk premium in global equity markets. Journal of Econometrics, 109(2), 195-237. Betermier, S., Calvet, L.E. & Sodini, P. (2017). Who are the value and growth investors? Journal of Finance 72, 5–46. Binsbergen, J. & Koijen, R. (2010). Predictive Regressions: A Present-value Approach. NBER Working Paper No. 16263. Bonaparte, Y., Korniotis, G.M. & Kumar, A. (2014). Income hedging and portfolio decisions. Journal of Financial Economics, 113, 300–324. Bu, R., Fu, X. & Jawadi, F. (2019). Does the volatility of volatility risk forecast future stock returns? Journal of International Financial Markets. Institutions and Money, 61, 16-36. Campbell, J., & Thompson, S. P. (2008). Predicting excess stock returns out of sample: can anything beat the historical average? Review of Financial Studies, 21(4), 1509-1531. Campbell, R., Huisman, R. & Koedijk, K. (2001). Optimal portfolio selection in a Value-at-Risk framework. Journal of Banking & Finance, 25(9), 1789-1804. Chue, T.K., Gul, F.A. & Mian, M. (2019). Aggregate investor sentiment and stock return synchronicity. Journal of Banking & Finance, 108. Dai, Z. & Zhu, H. (2020). Stock return predictability from a mixed model perspective. Pacific-Basin Finance Journal, 60. Danesh Asgari, T. (2011). Investigating the effect of management profit forecasting on risk and value of companies listed on the Tehran Stock Exchange. Master Thesis, Islamic Azad University, Arak Branch. (in Persian) Darabi, R. (2020). Idiosyncratic Volatility Function in Explanation of Stock Returns. Accounting and Auditing Research, 12(45), 147-170. doi: 10.22034/iaar.2020.107129 Dastgir, M., Googerdchian, A. & Adamiat, S. (2015). The relationship between earnings quality (earnings distribution) and stock returns, Financial accounting and auditing research, 7(26), 21-37. (in Persian) Dia, M. (2009). A Portfolio selection methodology based on data envelopment analysis. INFOR, 47(1), 71-79. Fallahpour, S., & Ghahramani, A. (2021). An Analysis of Centrality’s Features as a New Measure for Network Analysis, Risk Measurement & Portfolio Selection.Financial Research Journal, 23(2), 158-171. doi: 10.22059/jfr.2018.241407.1006515(in Persian) Fama, E. F., French, K. R. (2015). A five-factor asset pricing model. Journal of Finacial Economics, 116(1), 1–22. Fama, E.F., & French, K.R. (1988). Dividend yields and expected stock returns. Journal of Financial Economics 22, 3–25. Fama, E.F. (1981). Stock returns, real activity, inflation, and money. American Economic Review 71, 545–565. Feng, X. Hu, N. & Johansson, A. C. (2016). Ownership, analyst coverage, and stock synchronicity in China. International Review of Financial Analysis, 45. 96-79. Ferreira, M.A. & Santa-Clara, P. (2011). Forecasting stock market returns: The sum of the parts is more than the whole. Journal of Financial Economics, 100(3), 514-537. Ghaemi, M.H. & Kiani, A. (2006). Stock returns and unexpected earnings changes: the market level compared to the company level. Empirical accounting research, 3(10), 39-52. Ghaemi, M.H. & Toosi, S. (2006). Investigating the Factors Affecting the Return on Ordinary Shares of Companies Listed on the Tehran Stock Exchange. Management, (17 & 18), 159-175. (in Persian) Goharnia, E., Mansourfar, Gh. & Biglari, F. (2023). Interior Point Algorithm in Multi-objective Portfolio Optimization: GlueVaR Approach. Financial Research Journal, 25(3), 453-484. https://doi.org/10.22059/FRJ.2023.352338.1007424 (in Persian) Golez, B., & Koudijs, P. (2015). Four centuries of return predictability (No. w20814). National Bureau of Economic Research. Golez, B. (2014). Expected returns and dividend growth rates implied by derivative markets. Review of Financial Studies 27, 790–822. Hamidieh, A., Kaviani, M. & Akhgari, B. (2023). Robust Portfolio Optimization under Interval-valued Conditional Value-at-Risk (CVaR) Criterion in the Tehran Stock Exchange. Financial Research Journal, 25(3), 508-528. (in Persian) Hanias, M., Curtis, P. & Thalassinos, J. (2012). Prediction with neural networks: The Athens stock exchange price indicator. European Journal of Economics, Finance and Administrative Sciences, 6(2), 23-32. Hosseinian, K. & Momeni, A. (2019). Investigating the effect of information risk on stock returns and capital expenditure in companies listed on the Tehran Stock Exchange, Fifth International Conference on Management and Accounting Sciences, Tehran, Mehr Arvand Higher Education Institute and Center for Strategies for Achieving Sustainable Development. (in Persian) Huh, J. (2020). Measuring systematic risk with neural network factor model, Physica A: Statistical Mechanics and its Applications, 542. Ittner, C. D., & Michels, J. (2017). Risk-based forecasting and planning and management earnings forecasts. Review of Accounting Studies, 22, 1005-1047. Joro, T. & Na, P. (2006). Portfolio performance evaluation in a mean–variance–skewness framework. European Journal of Operational Research, 175(1), 446-461. Keyghobadi, A. & Ahmadi, M. (2017). Compare the efficiency of the garch and arch methods in predicting var for optimal portfolio selection. The Financial Accounting and Auditing Researches, 8(32), 63-82. (in Persian) Lacerda, F. & Santa-Clara, P. (2010). Forecasting Dividend Growth to Better Predict Returns. Legzian, M., Baghaei, J., Homayooni rad, M.H. (2018). Investigating the effect of financial ratios on company profits and stock returns. Bi-Quarterly Journal of Monetary and Financial Economics, 1(1), 102-121. (in Persian) Lettau, M. & Ludvigson, S. (2005). Expected returns and expected dividend growth, 76(3), 583-626. Li, X., Chen, X., Li, B., Singh, T., & Shi, K. (2021). Predictability of stock market returns: New evidence from developed and developing countries. Global Finance Journal, 100624. Lim, S., Oh, K. W. & Zhu, J. (2014). Use of DEA cross-efficiency evaluation in portfolio selection: An application to Korean stock market. European Journal of Operational Research, 236(1), 361-368. Lin, W. (2023). Systemic Risk Based Portfolio Selection (Doctoral dissertation, Durham University). Mohammad poor moghadam, M. & Mahdavi, S. (2016). Selection of a suitable portfolio based on optimizing stock returns at high torques of the Markowitz model using Tehran stock market information, International Conference on New Research in Management, Economics, Law and Humanities. (in Persian) Muijsson, C. & Satchell, S. (2019). The role of bank funding in systematic risk transmission. Finance Research Letters, 33, 101222. Mulyono, G. N., Saepudin, D. & Rohmawati, A. A. (2023). Portfolio Optimization Based on Return Prediction and Semi Absolute Deviation (SAD). International Journal on Information and Communication Technology (IJoICT), 9(1), 14-26. Pourzamani, Z. & Rohani, A. (2016). The relation between financial reporting quality and speed by composite measures of portfolio performance. The Financial Accounting And Auditing Researches, 8(29), 149-163. (in Persian) Raei, R., Namaki, A., & Ahmadi, M. (2022). Applying the Relative Robust Approach for Selection of Optimal Portfolio in the Tehran Stock Exchange by Second-order Conic Programming. Financial Research Journal, 24(2), 184-213. (in Persian) Rajendiran, P. & Priyadarsini, P.L.K. (2021). Survival study on stock market prediction techniques using sentimental analysis. Materials Today: Proceedings. Shabahang, R. (2002). Accounting Theory, Volume One, Accounting and Auditing Research Center, Auditing Organization. (1th ed.). Issue 151. (in Persian) Shaker Adrakani, J. (2014). Data Envelopment Analysis (DEA) and its application in measuring the efficiency and improving the performance of educational institutions. (1th ed.). Hooman Publishing. (in Persian) Shirkavand, S. & Fadaei, H. (2022). Robust Portfolio Optimization by Applying Multi-objective and Omega-conditional Value at Risk Models Based on the Mini-max Regret Criterion. Financial Research Journal, 24(1), 1-17. (in Persian) Talebnia, G., Ahmadi, M. & Bayat, M. (2015). The Relationship between Accruals Quality and Non-systematic Risk, Financial accounting research, 7(2), 33-52. (in Persian) Thakur, G., Bhattacharyya, R. & Sarkar, S. (2017). Stock portfolio selection using dempster-shafer evidence theory. Journal of king saud university computer and information science, 1-13. Wang, W., Li, W., Zhang, N., & Liu, K. C. (2020). Portfolio formation with preselection using deep learning from long-term financial data. Expert Systems with Applications, 143, Article 113042. Wang, Y., Liu, L., Ma, F. & Diao, X. (2019). Momentum of return predictability. Journal of Empirical Finance, 45, 141-156. Zhang, C. X., Li, J., Huang, X. F., Zhang, J. S., & Huang, H. C. (2022). Forecasting stock volatility and value-at-risk based on temporal convolutional networks. Expert Systems with Applications, 207, 117951. Zhang, Y., Wei, Y., Ma, F., Yi, Y. (2019). Economic constraints and stock return predictability: A new approach. International Review of Financial Analysis, 63, 1-9. Zhao, Y. & Lin, D. (2023). Prediction of Micro-and Small-Sized Enterprise Default Risk Based on a Logistic Model: Evidence from a Bank of China. Sustainability, 15(5), 4097. | ||
|
آمار تعداد مشاهده مقاله: 287 تعداد دریافت فایل اصل مقاله: 280 |
||