Применение метода отбора признаков для долгосрочного прогноза индекса Амманской фондовой биржи
DOI:
https://doi.org/10.17059/ekon.reg.2022-4-24Ключевые слова:
фондовый индекс Аммана, методы отбора признаков, линейная регрессия, секторы экономики, модели прогнозирования, финансовые услуги, долгосрочный индекс, сирийские беженцы, война в Сирии, корреляционный анализАннотация
Фондовые биржи — неотъемлемая часть мировой экономики; благодаря отслеживанию ежедневных операций, фондовые индексы отражают изменения показателей деятельности представленных на финансовом рынке фирм. Для построения модели прогнозирования фондового индекса Иордании в данной статье исследованы факторы, напрямую влияющие на индекс фондовой биржи. Чтобы выявить, какие секторы экономики оказывают наибольшее влияние на модель прогнозирования, авторы применили четыре метода отбора признаков для изучения связи между 23 секторами и индексом Амманской фондовой биржи (ASEI100) за период 2008–2018 гг. В каждой модели были выделены 10 наиболее значимых факторов, которые затем они были объединены и внесены в таблицу частот. Для проверки достоверности основных факторов, которые наиболее часто встречались в четы-
рех моделях, а также для оценки их влияния на ASEI использовались методы линейной регрессии и обычных наименьших квадратов. Результаты исследования показали, что существует шесть основных секторов, непосредственно влияющих на общий фондовый индекс в Иордании: здравоохранение, горнодобывающая промышленность, производство одежды, текстиля и изделий из кожи, недвижимость, финансовые услуги, транспорт. Показатели этих секторов можно использовать для прогнозирования изменений индекса Амманской фондовой биржи в Иордании. Кроме того, линейная регрессия выявила статистически значимую взаимосвязь между шестью секторами (независимые переменные) и ASEI (зависимая переменная). Полученные результаты, описывающие наиболее важные секторы экономики Иордании, могут быть использованы инвесторами для принятия инвестиционных решений.
Библиографические ссылки
Adebiyi, A. A., Adewumi, A. O. & Ayo, C. K. (2014). Comparison of ARIMA and artificial neural networks models for stock price prediction. Journal of Applied Mathematics, 2014.
Al-Najjar, D., Al-Najjar, H., Al-Rousan, N. & Assous, H. F. (2022). Developing Machine Learning Techniques to Investigate the Impact of Air Quality Indices on Tadawul Exchange Index. Complexity, 2022.
AL-Najjar, D., Al-Rousan, N. & AL-Najjar, H. (2022). Machine Learning to Develop Credit Card Customer Churn Prediction. Journal of Theoretical and Applied Electronic Commerce Research, 17(4), 1529-1542.
Al-Najjar, D., Assous, H. F., Al-Najjar, H. & Al-Rousan, N. (2022). Ramadan effect and indices movement estimation: a case study from eight Arab countries. Journal of Islamic Marketing, (ahead-of-print).
Al-Najjar, H., Al-Rousan, N., Al-Najjar, D., Assous, H. F. & Al-Najjar, D. (2021). Impact of COVID-19 pandemic virus on G8 countries’ financial indices based on artificial neural network. Journal of Chinese Economic and Foreign Trade Studies, 14(1), 89-103.
Assous, H. F., Al-Rousan, N., Al-Najjar, D. & Al-Najjar, H. (2020). Can international market indices estimate TASI’s movements? The ARIMA model. Journal of Open Innovation: Technology, Market, and Complexity, 6(2), 27.
Bhuiyan, R. A., Rahman, M. P., Saiti, B. & Ghani, G. B. M. (2019). Does the Malaysian Sovereign Sukuk market offer portfolio diversification opportunities for global fixed-income investors? Evidence from wavelet coherence and multivariate-GARCH analyses. The North American Journal of Economics and Finance, 47, 675-687.
Cao, Q., Parry, M. & Leggio, K. B. (2011). The three-factor model and artificial neural networks: predicting stock price movement in China. Annals of Operations Research, 185, 25–44.
Chandar, S. K., Sumathi, M. & Sivanandam, S. N. (2016). Prediction of stock market price using hybrid of wavelet transform and artificial neural network. Indian Journal of Science and Technology, 9(8), 1-5.
Chauhan, N., Ravi, V. & Chandra, D. K. (2009). Differential evolution trained wavelet neural networks: Application to bankruptcy prediction in banks. Expert Systems with Applications, 36(4), 7659-7665.
Chen, Y. & Hao, Y. (2018). Integrating principle component analysis and weighted support vector machine for stock trading signals prediction. Neurocomputing, 321, 381-402.
Chetty, N., Vaisla, K. S. & Sudarsan, S. D. (2015, December). Role of attributes selection in classification of Chronic Kidney Disease patients. In: 2015 International Conference on Computing, Communication and Security (ICCCS) (pp. 1-6). IEEE.
Choudhry, T. & Osoble, B. N. (2015). Nonlinear interdependence between the US and emerging markets’ industrial stock sectors. International Journal of Finance & Economics, 20(1), 61-79.
Chundakkadan, R. & Sasisdharan. S. (2019). Central bank’s money market operations and daily stock returns. International Journal of Finance & Economics, 26(1), 136-152.
De Faria, E. L., Albuquerque, M. P., Gonzalez, J. L., Cavalcante, J. T. P. & Albuquerque, M. P. (2009). Predicting the Brazilian stock market through neural networks and adaptive exponential smoothing methods. Expert Systems with Applications, 36(10), 12506-12509.
Gupta, R., Kanda, P., Tiwari, A. K. & Wohar, M. E. (2019). Time-varying predictability of oil market movements over a century of data: The role of US financial stress. The North American Journal of Economics and Finance, 50, 100994.
Hall, M. A. (1999). Correlation-based feature selection for machine learning. The University of Waikato, 198.
Hiransha, M., Gopalakrishnan, E. A., Menon, V. K. & Soman, K. P. (2018). NSE stock market prediction using deep-learning models. Procedia computer science, 132, 1351-1362.
Hu, H., Tang, L., Zhang, S. & Wang, H. (2018). Predicting the direction of stock markets using optimized neural networks with Google Trends. Neurocomputing, 285, 188-195.
Inthachot, M., Boonjing, V. & Intakosum, S. (2016). Artificial neural network and genetic algorithm hybrid intelligence for predicting Thai stock price index trend. Computational intelligence and neuroscience, 2016.
Khuat, T. T., Le, Q. C., Nguyen, B. L. & Le, M. H. (2016). Forecasting Stock Price using Wavelet Neural Network Optimized by Directed Artificial Bee Colony Algorithm. Journal of Telecommunications and Information Technology, 2, 43-52.
Kirikkaleli, D. (2018). The effect of domestic and foreign risks on an emerging stock market: A time series analysis. The North American Journal of Economics and Finance, 51, 100876.
Kononenko, I. (1994). Estimating attributes: analysis and extensions of RELIEF. In: European conference on machine learning (pp. 171-182). Springer, Berlin, Heidelberg.
Lo, A. W. & Mackinlay, C. (1988). Stock Market Prices do not follow random walk: evidence from a simple specification test. The review of financial studies, 1, 41-66.
Moghaddam, A. H., Moghaddam, M. H. & Esfandyari, M. (2016). Stock market index prediction using artificial neural network. Journal of Economics, Finance and Administrative Science, 21(41), 89-93.
Nahil, A. & Lyhyaoui, A. (2018). Short-term stock price forecasting using kernel principal component analysis and support vector machines: the case of Casablanca stock exchange. Procedia Computer Science, 127, 161-169.
Onik, A. R., Haq, N. F., Alam, L. & Mamun, T. I. (2015). An analytical comparison on filter feature extraction method in data mining using J48 classifier. International Journal of Computer Applications, 124(13).
Orimoloye, L. O., Sung, M. C., Ma, T. & Johnson, J. E. (2020). Comparing the effectiveness of deep feedforward neural networks and shallow architectures for predicting stock price indices. Expert Systems with Applications, 139, 112828.
Pan, Y., Xiao, Z., Wang, X. & Yang, D. (2017). A multiple support vector machine approach to stock index forecasting with mixed frequency sampling. Knowledge-Based Systems, 122, 90-102.
Qiu, M. & Song, Y. (2016). Predicting the direction of stock market index movement using an optimized artificial neural network model. PloS One, 11(5), e0155133.
Rather, A. M., Agarwal, A. & Sastry, V. N. (2015). Recurrent neural network and a hybrid model for prediction of stock returns. Expert Systems with Applications, 42(6), 3234-3241.
Ruiz, R., Riquelme, J. C. & Aguilar-Ruiz, J. S. (2005, June). Heuristic search over a ranking for feature selection. In: Computational Intelligence and Bioinspired Systems. 8th Work-Conference on Artificial Neural Networks (pp. 742-749). Springer, Berlin, Heidelberg.
Syed Nor, S. H., Ismail, S. & Yap, B. W. (2019). Personal bankruptcy prediction using decision tree model. Journal of Economics, Finance and Administrative Science, 24(47), 157-170.
Tang, H., Dong, P. & Shi, Y. (2019). A new approach of integrating piecewise linear representation and weighted support vector machine for forecasting stock turning points. Applied Soft Computing, 78, 685-696.
Umer, U. M., Sevil, T. & Sevil, G. (2019). Forecasting performance of smooth transition autoregressive (STAR) model on travel and leisure stock index. The Journal of Finance and Data Science, 4(2), 90-100.
Wang, J., Wang, J., Fang, W. & Niu, H. (2016). Financial time series prediction using Elman recurrent random neural networks. Computational intelligence and neuroscience, 2016.
Zahedi, J. & Rounaghi, M. M. (2015). Application of artificial neural network models and principal component analysis method in predicting stock prices on Tehran Stock Exchange. Physica A: Statistical Mechanics and its Applications, 438, 178-187.
Zhou, F., Zhou, H. M., Yang, Z. & Yang, L. (2019). EMD2FNN: A strategy combining empirical mode decomposition and factorization machine based neural network for stock market trend prediction. Expert Systems with Applications, 115, 136-151.
Загрузки
Опубликован
Как цитировать
Выпуск
Раздел
Лицензия
Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.
