SỐ 212 | Tháng 11/2023
Dự đoán giá cổ phiếu Trung Quốc bằng cách sử dụng trái phiếu chuyển đổi: Một phương pháp tiếp cận mạng lưới thần kinh dựa trên bằng chứng
Paravee Maneejuk, Binxiong Zou, Woraphon Yamaka
Tóm tắt:
Mục đích - Mục tiêu chính của nghiên cứu này là điều tra xem liệu việc đưa giá trái phiếu chuyển đổi làm đầu vào quan trọng vào mạng lưới thần kinh nhân tạo có thể cải thiện độ chính xác trong việc dự đoán giá cổ phiếu Trung Quốc hay không. Cách tiếp cận mới này nhằm mục đích khám phá tiềm năng tiềm ẩn vốn có của động lực trái phiếu chuyển đổi, cuối cùng mang lại độ chính xác cao hơn khi dự báo giá cổ phiếu.
Thiết kế/phương pháp/cách tiếp cận - Các tác giả đã sử dụng hai mô hình học máy, đó là mô hình mạng nơ-ron lan truyền ngược (BPNN) và mô hình mạng nơ-ron máy học cực đoan (ELMNN), trên dữ liệu chuỗi thời gian tài chính thực nghiệm của Trung Quốc.
Những phát hiện- Kết quả cho thấy giá trái phiếu chuyển đổi có sức mạnh dự báo mạnh đối với cổ phiếu có giá trị thị trường thấp nhưng không có tác dụng dự đoán đối với cổ phiếu có giá trị thị trường cao. Thuật toán BPNN hoạt động tốt hơn thuật toán ELMNN trong việc dự đoán giá cổ phiếu bằng cách sử dụng giá trái phiếu chuyển đổi làm chỉ báo đầu vào cho các cổ phiếu có giá trị thị trường thấp. Ngược lại, ELMNN cho thấy độ chính xác dự đoán giảm đáng kể khi thêm giá trái phiếu chuyển đổi.
Tính nguyên bản/giá trị - Nghiên cứu này thể hiện nỗ lực ban đầu nhằm tích hợp dữ liệu trái phiếu chuyển đổi vào cả mô hình BPNN và mô hình ELMNN nhằm mục đích dự đoán giá cổ phiếu Trung Quốc.
Tài liệu tham khảo:
- An, B.J., Ang, A., Bali, T.G. and Cakici, N. (2014), “The joint cross-section of stocks and options”, The Journal of Finance, Vol. 69 No. 5, pp. 2279-2337, doi: 10.1111/jofi.12181.
- Balsara, N.J., Chen, G. and Zheng, L. (2007), “The Chinese stock market: an examination of the random walk model and technical trading rules”, Quarterly Journal of Business and Economics, Vol. 46 No. 2, pp. 43-63.
- Beltratti, A., Bortolotti, B. and Caccavaio, M. (2016), “Stock market efficiency in China: evidence from the split-share reform”, The Quarterly Review of Economics and Finance, Vol. 60, pp. 125-137, doi: 10.1016/j.qref.2015.11.002.
- Bou-Hamad, I. and Jamali, I. (2020), “Forecasting financial time-series using data mining models: a simulation study”, Research in International Business and Finance, Vol. 51, 101072, doi: 10.1016/j.ribaf.2019.101072.
- Cai, H. and Chen, R.Y. (2011), “Research on stock price prediction based on PCA-BP neural network”, Computer Simulation, Vol. 28 No. 03, pp. 365-368.
- Chen, J., Ma, F., Qiu, X. and Li, T. (2023), “The role of categorical EPU indices in predicting stock-market returns”, International Review of Economics and Finance, Vol. 87, pp. 365-378, doi: 10.1016/j.iref.2023.05.003.
- Chong, T., Lam, T. and Yan, I. (2012), “Is the Chinese stock market really inefficient?”, China Economic Review, Vol. 23 No. 1, pp. 122-137, doi: 10.1016/j.chieco.2011.08.003.
- Chung, R.C., Ip, W.H. and Chan, S.L. (2009), “An ARIMA-intervention analysis model for the financial crisis in China's manufacturing industry”, International Journal of Engineering Business Management, Vol. 1, p. 5, doi: 10.5772/6785.
- Groenewold, N., Tang, S.H.K. and Wu, Y. (2003), “The efficiency of the Chinese stock market and the role of the banks”, Journal of Asian Economics, Vol. 14 No. 4, pp. 593-609, doi: 10.1016/s1049-0078(03)00097-6.
- Huang, G.B., Zhu, Q.Y. and Siew, C.K. (2004), “Extreme learning machine: a new learning scheme of feedforward neural networks”, 2004 IEEE international joint conference on neural networks (IEEE Cat. No. 04CH37541), Vol. 2, pp. 985-990.
- Hubbard, C.L. and Johnson, T. (1969), “Profits from writing calls with convertible bonds”, Financial Analysts Journal, Vol. 25 No. 6, pp. 78-89, doi: 10.2469/faj.v25.n6.78.
- Hu, H., Tang, L., Zhang, S. and Wang, H. (2018), “Predicting the direction of stock markets using optimized neural networks with Google Trends”, Neurocomputing, Vol. 285, pp. 188-195, doi: 10.1016/j.neucom.2018.01.038.
- Jarrett, J.E. and Kyper, E. (2011), “ARIMA modeling with intervention to forecast and analyze Chinese stock prices”, International Journal of Engineering Business Management, Vol. 3, p. 17, doi: 10.5772/50938.
- Kim, J.H., Shamsuddin, A. and Lim, K.P. (2011), “Stock return predictability and the adaptive markets hypothesis: evidence from century-long US data”, Journal of Empirical Finance, Vol. 18 No. 5, pp. 868-879, doi: 10.1016/j.jempfin.2011.08.002.
- Liu, Q., Tao, Z., Tse, Y. and Wang, C. (2022), “Stock market prediction with deep learning: the case of China”, Finance Research Letters, Vol. 46, 102209, doi: 10.1016/j.frl.2021.102209.
- Liao, R., Yamaka, W. and Sriboonchitta, S. (2020), “Exchange rate volatility forecasting by hybrid neural network Markov switching Beta-t-EGARCH”, IEEE Access, Vol. 8, pp. 207563-207574, doi: 10.1109/access.2020.3038564.
- Lo, A.W. (2004), “The adaptive markets hypothesis: market efficiency from an evolutionary perspective”, The Journal of Portfolio Management, Vol. 30, pp. 15-129.
- Ma, W., Wang, Y. and Dong, N. (2010), “Study on stock price prediction based on BP neural network”, 2010 IEEE International Conference on Emergency Management and Management Sciences, IEEE, pp. 57-60.
- Malkiel, B.G. and Fama, E.F. (1970), “Efficient capital markets: a review of theory and empirical work”, The Journal of Finance, Vol. 25 No. 2, pp. 383-417, doi: 10.1111/j.1540-6261.1970.tb00518.x.
- Maneejuk, P. and Srichaikul, W. (2021), “Forecasting foreign exchange markets: further evidence using machine learning models”, Soft Computing, Vol. 25 No. 12, pp. 7887-7898, doi: 10.1007/s00500-021-05830-1.
- Pan, J. and Poteshman, A. (2006), “The information in option volume for future stock prices”, Review of Financial Studies, Vol. 19 No. 3, pp. 871-908, doi: 10.1093/rfs/hhj024.
- Rahman, M., Shamsuddin, A. and Lee, D. (2019), “Predictive power of dividend yields and interest rates for stock returns in South Asia: evidence from a bias-corrected estimator”, International Review Of Economics and Amp; Finance, Vol. 62, pp. 267-286, doi: 10.1016/j.iref.2019.04.010.
- Saetia, K. and Yokrattanasak, J. (2022), “Stock movement prediction using machine learning based on technical indicators and Google trend searches in Thailand”, International Journal of Financial Studies, Vol. 11 No. 1, p. 5, doi: 10.3390/ijfs11010005.
- Senol, D. and Ozturan, M. (2009), “Stock price direction prediction using artificial neural network approach: the case of Turkey”, Journal of Artificial Intelligence, Vol. 1 No. 2, pp. 70-77, 2008, doi: 10.3923/jai.2008.70.77.
- Sim, N. and Zhou, H. (2015), “Oil prices, US stock return, and the dependence between their quantiles”, Journal of Banking and Finance, Vol. 55, pp. 1-8, doi: 10.1016/j.jbankfin.2015.01.013.
- Su, D. and Fleisher, B. (1998), “Risk, return and regulation in Chinese stock markets”, Journal Of Economics And Business, Vol. 50 No. 3, pp. 239-256, doi: 10.1016/s0148-6195(98)00002-2.
- Xiong, L. and Lu, Y. (2017), “Hybrid ARIMA-BPNN model for time series prediction of the Chinese stock market”, 2017 3rd International conference on information management (ICIM), IEEE, pp. 93-97.
- Yang, X., Yu, J., Xu, M. and Fan, W. (2018), “Convertible bond pricing with partial integro-differential equation model”, Mathematics and Computers in Simulation, Vol. 152, pp. 35-50, doi: 10.1016/j.matcom.2018.04.005.
- Yu, Z., Qin, L., Chen, Y. and Parmar, M. (2020), “Stock price forecasting based on LLE-BP neural network model”, Physical A: Statistical Mechanics and Its Applications, Vol. 553, 124197, doi: 10.1016/j.physa.2020.124197.
- Zhang, H.L. (2018), “The forecasting model of stock price based on PCA and BP neural network”, Journal of Financial Risk Management, Vol. 7 No. 04, pp. 369-385, doi: 10.4236/jfrm.2018.74021.
Predicting Chinese Stock Prices Using Convertible Bond: An Evidence-Based Neural Network Approach
Abstract:
Purpose - The primary objective of this study is to investigate whether the inclusion of convertible bond prices as important inputs into artificial neural networks can lead to improved accuracy in predicting Chinese stock prices. This novel approach aims to uncover the latent potential inherent in convertible bond dynamics, ultimately resulting in enhanced precision when forecasting stock prices.
Design/methodology/approach - The authors employed two machine learning models, namely the backpropagation neural network (BPNN) model and the extreme learning machine neural networks (ELMNN) model, on empirical Chinese financial time series data.
Findings - The results showed that the convertible bond price had a strong predictive power for low-market-value stocks but not for high-market-value stocks. The BPNN algorithm performed better than the ELMNN algorithm in predicting stock prices using the convertible bond price as an input indicator for low-market-value stocks. In contrast, ELMNN showed a significant decrease in prediction accuracy when the convertible bond price was added.
Originality/value - This study represents the initial endeavor to integrate convertible bond data into both the BPNN model and the ELMNN model for the purpose of predicting Chinese stock prices.