بررسی اثربخشی تجزیه و تحلیل اساسی در یک سبد سهام بلند مدت

اطلاعات استناد: Csesznik ، Z. ، Gáspár ، S. ، Thalmeiner ، G. ، & Zéman ، Z. (2021). بررسی اثربخشی تجزیه و تحلیل اساسی در یک سبد سهام بلند مدت. Annals-Annals-XXI ، 190 (5-6 (2)) ، 119-127. doi: https://doi.org/10. 21003/ea. v190-11

دانشجوی دکترا Zoltán Csesznik (اقتصاد) ، انستیتوی تنظیم و مدیریت اطلاعات ، دانشگاه کشاورزی و علوم زندگی مجارستان 1 Pater K. Str. ، Gödöllő ، 2100 ، مجارستان [email protected] orcid ID: https://orcid.org/0000-0003-4751-9662

دانشجویی دکتری ساندور گارسر (اقتصاد) ، انستیتوی تنظیم تجارت و مدیریت اطلاعات ، دانشگاه کشاورزی و علوم زندگی مجارستان 1 پاتر K. Str. ، Gödöllő ، 2100 ، https://orcid.org/0000-0002-6874-559xx

دانشجوی دکتری Gergő Thalmeiner (اقتصاد) ، انستیتوی تنظیم و مدیریت اطلاعات ، دانشگاه کشاورزی و علوم زندگی مجارستان 1 Pater K. Str. ، Gödöllő ، 2100 ، https://orcid.org/0000-0002-7224-1028

Zoltán Zéman D. Sc..

بررسی اثربخشی تجزیه و تحلیل اساسی در یک سبد سهام بلند مدت

خلاصه. طی یک دهه گذشته ، تعدادی از روشهای مدرن و پیشرفته برای بهینه سازی ترکیب اوراق بهادار سهام عدالت ایجاد شده است. بیشتر این روشها مبتنی بر مدل سازی پیچیده ریاضی یا مالی است. تأکید کمتری بر داده های داخلی شرکت ها وجود دارد ، در حالی که در سالهای اخیر داده های خارجی به طور فزاینده ای اهمیت یافته است. با این حال ، برای سرمایه گذاری های بلند مدت ، تسلط بر داده های خارجی لزوماً روشی کارآمد برای ساخت یک نمونه کارها مناسب نیست. در این مقاله ، ما این پدیده را برجسته می کنیم که مدلهای ریاضی پیچیده ، بر اساس شاخص های اساسی ساده تر نیز می توانند یک ابزار سرمایه گذاری کارآمد برای تصمیم گیری در مورد سرمایه گذاری باشند. نتایج ما نشان می دهد که فرضیه ما تأیید شده است که برخی از شاخص های مبتنی بر پایه می توانند به بازده آلفا دست یابند. تجزیه و تحلیل ما مبتنی بر داده های گزارشگری مالی در قالب شاخص های مختلف مالی است. ما از شاخص S & P500 به عنوان معیار استفاده کردیم. تجزیه و تحلیل مقایسه ای از نمونه کارها سهام ایجاد شده نشان می دهد که تجزیه و تحلیل اساسی می تواند مؤثرتر از شاخص سهام انتخاب شده در بازار باشد. در پایان دوره مورد بررسی ، نمونه کارها بر اساس پنج شاخص مالی اصلی انتخاب شده دارای یک سرمایه در بازار 1. 68 ٪ بالاتر از معیار بود. بازگشت آلفا به دست آمده همچنین نشان می دهد که حتی مدلهای ساده تر می توانند در ایجاد یک سبد سهام عدالت کارآمد و مؤثر باشند.

کلمات کلیدی: مدیریت نمونه کارها ؛تجزیه و تحلیل اساسی ؛S & p500 ؛گزارش ها؛بورس سهام

طبقه بندی ژل: E47 ؛F30 ؛g11

قدردانی و بودجه: نویسندگان هیچ بودجه مستقیمی برای این تحقیق دریافت نکردند.

مشارکت: نویسندگان به طور مساوی در این کار نقش داشتند.

بیانیه در دسترس بودن داده ها: مجموعه داده در صورت درخواست از نویسندگان در دسترس است.

منابع

1. Abramov ، A. ، Radygin ، A. ، & Cheova ، M. (2015). سرمایه گذاری های نمونه کارها بلند مدت: بینش جدید در مورد بازده و ریسک. مجله اقتصاد روسی ، 1 (3) ، 273-293. https://doi.org/10. 1016/j. ruje. 2015. 12. 001
2. Arslanian ، H. ، & Fischer ، F. (2019). آینده مالی: تأثیر Fintech ، AI و Crypto بر خدمات مالی. اسپرینگرhttps://doi.org/10. 1007/978-3-030-14533-0
3. Astuty ، P. (2017). تأثیر عوامل اساسی و ریسک سیستماتیک در قیمت سهام در شرکتهای ذکر شده در بورس اوراق بهادار اندونزی. مجله مطالعات تحقیقاتی اروپا ، 20 (4) ، 230-240. https://www. researchgate. net/publication/321671861_the_influence_of_fundamental_factors_and_systematic_risk_to_prices_on_companies_listed_in_the_indonesian_stock_exchangeange
4. Beyaz ، E. ، Tekiner ، F. ، Zeng ، X. ، & Keane ، J. (2018). مقایسه شاخص های فنی و اساسی در پیش بینی قیمت سهام. 2018 IEEE بیستمین کنفرانس بین المللی محاسبات و ارتباطات با کارایی بالا ؛شانزدهمین کنفرانس بین المللی IEEE در شهر هوشمند ؛چهارمین کنفرانس بین المللی IEEE در مورد علوم و سیستم های داده (HPCC/SmartCity/DSS) ، (صص 1607-1613). https://doi.org/10. 1109/hpcc/smartcity/dss. 2018. 00262
5. Bisoi ، R. ، & Dash ، P. K. (2014). یک شبکه عصبی دینامیکی تکاملی ترکیبی برای تجزیه و تحلیل روند و پیش بینی بازار سهام با استفاده از فیلتر کالمن بدون سن. محاسبات نرم کاربردی ، 19 ، 41-56. https://doi.org/10. 1016/j. asoc. 2014. 01. 039
6. Bollen ، J. ، Mao ، H. ، & Zeng ، X. (2011). خلق و خوی توییتر بازار سهام را پیش بینی می کند. مجله علوم محاسباتی ، 2 (1) ، 1-8. https://doi.org/10. 1016/j. jocs. 2010. 12. 007
7. Brealy ، R. ، Myers ، S. ، & Marcu ، A. (2001). اصول مالی شرکت. شرکت McGraw-Hill Inc.
8. Chen ، Y.-J. ، Chen ، Y.-M. ، & Lu ، Ch. L. (2017). افزایش پیش بینی بازار سهام با استفاده از یک رویکرد مبتنی بر تجزیه و تحلیل بنیادی بهبود یافته. محاسبات نرم ، 21 ، 3735-3757. https://doi.org/10. 1007/s00500-016-2028-y
9. کریستی ، ر. ، و رنو ، I. R. (2018). تجزیه و تحلیل بنیادی در مقابل تجزیه و تحلیل فنی - یک بررسی مقایسه ای. مجله بین المللی تحقیقات علمی اخیر ، 9 (1) ، 23009-23013. https://www. researchgate. net/publication/324516986_fundamental_analysis_versus_technical_analisse-a_comparative_review
10. Coleman ، L. (2019). تجزیه و تحلیل اساسی سهام. در اصول جدید سرمایه گذاری عدالت ، (صص 95-122). انتشارات زمرد محدود ، بینگلی. https://doi.org/10. 1108/978-1-78973-063-020191006
11. Cont ، R. ، & Tankov ، P. (2007). بیمه نمونه کارها نسبت ثابت در حضور پرش در قیمت دارایی. مرکز مهندسی مالی دانشگاه کلمبیا ، گزارش مهندسی مالی ، 10 ، 1-27. https://doi.org/10. 2139/ss. 1021084
12. Dunne ، M. (2015). پیش بینی بازار سهام. کالج دانشگاه چوب پنبه ، چوب پنبه. http://markd. ie/public/mark-dunne-stock-market-prediction. pdf
13. Edirisinghe ، N. C. P. ، & Zhang ، X. (2007). مدل DEA عمومی از تجزیه و تحلیل اساسی و کاربرد آن در بهینه سازی نمونه کارها. مجله بانکی و دارایی ، 31 (11) ، 3311-3335. https://doi.org/10. 1016/j. jbankfin. 2007. 04. 008
14. فاجیانگ لیو ، و جون وانگ (2012). پیش بینی نوسان شاخص بازار سهام توسط شبکه عصبی Legendre با عملکرد قدرت تصادفی. Neurocomputing ، 83 ، 12-21. https://doi.org/10. 1016/j. neucom. 2011. 09. 033
15. Galankashi ، M. R. ، Rafiei F. M. ، & Ghezelbash ، M. (2020). انتخاب نمونه کارها: یک رویکرد فازی-ANP. نوآوری مالی ، 6 (1) ، 1-34. https://doi.org/10. 1186/S40854-020-00175-4
16. گراهام ، ب. ، و داد ، D. L. (1934). تجزیه و تحلیل امنیتی. آموزش مک گرا هیل.
17. Herawati ، A. ، & Putra ، A. S. (2018). تأثیر تجزیه و تحلیل بنیادی بر قیمت سهام: مورد صنایع غذایی و آشامیدنی. مجله مطالعات تحقیقاتی اروپا ، 21 (3) ، 316-326. https://doi.org/10. 35808/ersj/1063
18. Jatoi ، M. ، Shabir ، G. ، Hamad ، N. ، Iqbal ، N. ، & Muhammad ، K. (2014). تأثیر رگرسیون درآمد هر سهم بر ارزش بازار سهم: یک مطالعه موردی: صنعت سیمان پاکستان. مجله بین المللی تحقیقات دانشگاهی در زمینه حسابداری ، امور مالی و علوم مدیریت ، 4 ، 221-227. https://doi.org/10. 6007/ijarafms/v4-i4/1323
19. Jovic ، S. ، Smigic Miladinovic ، J. ، Micic ، R. ، Markovic ، S. ، & Rakic ، G. (2019). تجزیه و تحلیل نرخ ارز و تولید ناخالص داخلی (تولید ناخالص داخلی) توسط سیستم استنباط عصبی-فازی سازگار (ANFIS). Physica A: مکانیک آماری و کاربردهای آن ، 513 ، 333-338. https://doi.org/10. 1016/j. physa. 2018. 09. 009
20. Khan ، H. Z. ، Alin ، S. T. ، & Hussain ، A. (2011). پیش بینی قیمت بازار سهم با استفاده از شبکه عصبی مصنوعی (ANN). مجله بین المللی برنامه های رایانه ای ، 22 (2) ، 42-47. https://doi.org/10. 5120/2552-3497
21. Kovács ، L. ، & Terták ، E. (2019). تئوری و شواهد سواد مالی. Verlag Dashöfer. https://bankszovetseg. hu/public/publikacio/financial٪20literacy. pdf
22. لام ، م. (2004). تکنیک های شبکه عصبی برای پیش بینی عملکرد مالی: ادغام تجزیه و تحلیل اساسی و فنی. سیستم های پشتیبانی تصمیم گیری ، 37 (4) ، 567-581. https://doi.org/10. 1016/S0167-9236(03)00088-5
23. Lentner ، Cs. ، Vasa ، L. ، Kolozsi ، P. P. ، & Zéman ، Z. (2019). ابعاد جدید کنترل داخلی در بانکداری پس از GFC. Annals-Annals-Xxi ، 176 (3-4) ، 38-48. https://doi.org/10. 21003/ea. v176-04
24. لین ، ز. (2018). مدل سازی و پیش بینی نوسانات بازار سهام شاخص کامپوزیت SSE با استفاده از مدل های GARCH. سیستم های رایانه ای نسل آینده ، 79 (3) ، 960-972. https://doi.org/10. 1016/j. future. 2017. 08. 033
25. Macharia ، P. ، & Gatuhi ، S. K. (2013). تأثیر شاخص های عملکرد مالی بر قیمت بازار سهام در بانکهای تجاری کنیا. مجله بین المللی مدیریت و مطالعات تجاری ، 3 (3) ، 57-60. http://www. ijmbs.com/33/peter. pdf
26. MarketInout.(2021). جمع آوری داده ها 2015-2021. https://www. marketinout.com/stock-screener/stock_screener. php
27. Maryyam ، A. (2016). تأثیر عملکرد بنگاهها بر بازده سهام (شواهدی از شرکتهای ذکر شده از شاخص FTSE-100 London ، انگلیس). مجله جهانی مدیریت و تحقیقات تجاری ، 16 (1) ، 30-39. https://globaljouals.org/item/5870-impact-firms-performance-on-stock-retus-evidence-from-listed-companies-of-00-index-london-uk
28. محمد ، E. A. ، احمد ، I. E. ، مهدی ، R. ، و حسین ، H. (2021). تأثیر عملکرد شرکت در پیش بینی قیمت سهام در بازارهای امارات: مدل عصبی-فازی. سیستم های هوشمند در حسابداری ، امور مالی و مدیریت ، 28 (1) ، 52-71. https://doi.org/10. 1002/isaf. 1484
29. Nikou ، M. ، Mansourfar ، G. ، & Bagherzadeh ، J. (2019). پیش بینی قیمت سهام با استفاده از الگوریتم یادگیری عمیق و مقایسه آن با الگوریتم های یادگیری ماشین. مجله سیستم های هوشمند در حسابداری ، امور مالی و مدیریت ، 26 (4) ، 164-174. https://doi.org/10. 1002/isaf. 1459
30. Nti ، I. K. ، Adekoya ، A. F. ، & Weyori ، B. A. (2020). بررسی سیستماتیک از نانالیز اساسی و فنی پیش بینی بازار سهام. بررسی هوش مصنوعی ، 53 ، 3007-3057. https://doi.org/10. 1007/S10462-019-09754-Z
31. Rakićević ، A. ، Milošević ، P. ، Poledica ، A. ، Dragović ، I. ، & Petrović ، B. (2019). رویکرد بولی بین المللی برای انتخاب نمونه کارها فازی. در Meier A. ، Portmann E. ، & Terán L. (Eds.) با استفاده از منطق فازی برای اقتصاد دیجیتال و جامعه. روشهای مدیریت فازی ، (صص 23-46). اسپرینگر ، چم. https://doi.org/10. 1007/978-3-030-03368-2_2
32. Rounaghi ، M. ، M. ، & Zadeh ، F. N. (2016). بررسی کارآیی بازار و ثبات مالی بین S& P 500 و بورس اوراق بهادار لندن: پیش بینی ماهانه و سالانه بازده سهام سری زمانی با استفاده از مدل ARMA. Physica A: مکانیک آماری و کاربردهای آن ، 456 (2) ، 10-21. https://doi.org/10. 1016/j. physa. 2016. 03. 006
33. Sági ، J. ، Vasa ، L. ، & Lentner ، CS.(2020). راه حل های نوآورانه در توسعه آگاهی مالی خانوارها: یک نمونه مجارستانی. اقتصاد و جامعه شناسی ، 13 (3) ، 27-45.
34. Silva ، A. ، Neves ، R. ، & Horta ، N. (2015). یک رویکرد ترکیبی به ترکیب نمونه کارها بر اساس شاخص های اساسی و فنی. سیستم های خبره با برنامه های کاربردی ، 42 (4) ، 2036-2048. https://doi.org/10. 1016/j. eswa. 2014. 09. 050
35. Suciu ، T. (2013). عناصر تجزیه و تحلیل بازار سهام. بولتن دانشگاه Transilvania از براسوف ، 55 (6 (2)) ، 153-160. http://webbut. unitbv. ro/bu2013/series٪20v/buletin٪20v/026٪20Articol٪20But٪20SuciU٪20Titus. pdf
36. Szilágyi ، B. (2017). استراتژی های بیمه نمونه کارها: تجزیه و تحلیل استراتژی CPPI. E-Conomon ، 6 (1) ، 3-18. http://real. mtak. hu/74975
37. Thakur ، A. ، Beck ، R. ، Mostaghim ، S. ، & Großmann ، D. (2020). بررسی در تجزیه و تحلیل شاخص عملکرد کلیدی پیش بینی از دیدگاه داده کاوی. بیست و پنجمین کنفرانس بین المللی IEEE در مورد فناوری های نوظهور و اتوماسیون کارخانه (ETFA) ، 476-483. https://doi.org/10. 1109/etfa46521. 2020. 9212111
38. Thawowong ، S. ، & Enke ، D. (2004). انتخاب تطبیقی متغیرهای مالی و اقتصادی برای استفاده با شبکه های عصبی مصنوعی. Neurocomputing ، 56 ، 205-232. https://doi.org/10. 1016/j. neucom. 2003. 05. 001
39. Thomsett ، M. C. (1998). تسلط بر تجزیه و تحلیل اساسی. شرکت انتشارات مالی Dearbo
40. Tsai ، Ch.-F. ، & Hsiao ، Y.-Ch.(2010). ترکیب چندین روش انتخاب ویژگی برای پیش بینی سهام: اتحادیه ، تقاطع و رویکردهای چند نفره. سیستم های پشتیبانی تصمیم گیری ، 50 (1) ، 258-269.
41. اودین ، م. ب. (2009). تعیین کننده قیمت بازار سهام: مطالعه ای در مورد لیزینگ بانکی و شرکتهای بیمه بنگلادش. مجله حسابداری و حسابرسی مدرن ، 5 (7) ، 1-7. https://silo. tips/download/determinants-of-market-price-of-stock-o-study-on-bank-lesing-and-insurance-comp
42. Venkatesh ، C. K. (2012). تجزیه و تحلیل اساسی به عنوان روشی برای ارزیابی سهم در مقایسه با تجزیه و تحلیل فنی. مجله بین المللی دیدگاههای مدیریت مالی کاربردی ، 1 (1) ، 79-81.
43. Wewege ، L. ، & Thomsett ، M. C. (2019). انقلاب بانکی دیجیتال: چگونه شرکت های FinTech صنعت بانکداری خرده فروشی را از طریق نوآوری مالی مختل کننده تغییر می دهند. د گرویر
44. Yiwen ، Y. ، Guizhong ، L. ، & Zongping ، Z. (2000). پیش بینی روند بازار سهام بر اساس شبکه های عصبی ، تجزیه و تحلیل چند وضوح و بازسازی دینامیکی. در مجموعه مقالات IEEE/IAFE/کنفرانس 2000 در مورد اطلاعات محاسباتی برای مهندسی مالی (صص 155-156). https://doi.org/10. 1109/cifer. 2000. 844615
45. Young ، M. G. (2010). راهنمای کامل فروش سهام کوتاه: هر آنچه را که باید بدانید به سادگی توضیح داده شده است. فلوریدا: گروه انتشارات آتلانتیک.

دریافت 7. 04. 2021 دریافت شده در فرم اصلاح شده 12. 05. 2021 پذیرفته شده 22. 05. 2021 موجود در دسترس آنلاین 10. 07. 2021