УДК 336.7

Линейная регрессия и искусственные нейронные сети в прогнозировании цен акций: кейс-стади компании Isfahan Steel

С. Салимиан 1, Э. Ростами 1, С. Салимиан 2, Х. Пурмахмуд 3

1 Университет Рази, г. Керманшах, Иран
2 Университет Курдистана, г. Санандадж, Иран
3 Университет Шмалькальден, г. Шмалькальден, Германия

Аннотация

Прогнозирование цены акций представляет собой фундаментальную задачу в финансовой экономике, имеющую значительные последствия для эффективности инвестиций, стабильности рынка и распределения капитала. В данном исследовании рассматривается необходимость надежных методологий прогнозирования посредством сравнительного анализа классических статистических и машинных методов обучения. Основная задача — эмпирически оценить и сравнить предсказательную точность многомерной линейной регрессии и искусственных нейронных сетей (ANN) для прогнозирования акций на уровне фирмы. Центральная гипотеза предполагает, что искусственные нейронные сети, благодаря своей способности моделировать комплексные нелинейности, продемонстрируют превосходящую предсказательную эффективность по сравнению с линейной регрессией, которая остается ограниченной параметрическими и аддитивными предположениями. Исследование использует обширный набор данных, включающий 547 наблюдений по 11 финансовым и экономическим показателям компании Isfahan Steel. Была реализована строгая методологическая основа, включающая предварительную обработку данных для решения мультиколлинеарности и ненормальности, за которой последовала многомерная линейная регрессионная оценка с использованием SPSS и прямой передачи ANN, обученной устойчивой обратной распространению (Rprop) и регуляризацией L2. Эмпирические результаты показывают, что модель искусственных нейронных сетей достигает превосходной предсказательной точности (R² = 0,934) по сравнению с линейной регрессией (R² = 0,893), эффективно фиксируя сложные нелинейные связи, присущие финансовым временным рядам, и подтверждая исследовательскую гипотезу. Теоретический вклад заключается в расширении литературы по ценообразованию активов путем определения ограничений линейных парадигм в объяснении сложности формирования цен. На практике результаты показывают, что политики и финансовые аналитики должны интегрировать инструменты прогнозирования на основе искусственных нейронных сетей в рамки мониторинга рынка и оценки рисков, а регулирующие органы должны способствовать прозрачности в разработке предиктивных моделей для повышения уверенности на рынке и принятия обоснованных решений.

Ключевые слова

линейные сети; регрессия по прогнозированию цены акций; искусственный нейрон; многослойный перцептрон; финансовый временной ряд.

JEL classification

Список использованной литературы

1. Welch I., Goyal A. A comprehensive look at the empirical performance of equity premium prediction // The Review of Financial Studies. 2008. Vol. 21, Issue 4. Pp. 1455–1508. doi.org/10.1093/rfs/hhm014

          2. Rapach D.E., Strauss J.K., Zhou G. International stock return predictability: What is the role of the United States? // The Journal of Finance. 2013. Vol. 68, Issue 4. Pp. 1633–1662. doi.org/10.1111/jofi.12041

          3. Atsalakis G.S., Valavanis K.P. Surveying stock market forecasting techniques–Part II: Soft computing methods // Expert Systems with Applications. 2009. Vol. 36, Issue 3, Part 2. Pp. 5932–5941. doi.org/10.1016/j.eswa.2008.07.006

          4. Fama E.F. Efficient capital markets: A review of theory and empirical work // The Journal of Finance. 1970. Vol. 25, No. 2. Pp. 383–417. doi.org/10.2307/2325486

          5. Lim K.P., Hooy C.W. Non-Linear Predictability in G7 Stock Index Returns // The Manchester School. 2013. Vol. 81, Issue 4. Pp. 620–637. doi.org/10.1111/j.1467-9957.2012.02303.x

          6. Huang W., Nakamori Y., Wang S.Y. Forecasting stock market movement direction with support vector machine // Computers & Operations Research. 2005. Vol. 32, Issue 10. Pp. 2513–2522. doi.org/10.1016/j.cor.2004.03.016

          7. Leung M.T., Daouk H., Chen A.S. Forecasting stock indices: a comparison of classification and level estimation models // International Journal of Forecasting. 2000. Vol. 16, Issue 2. Pp. 173–190. doi.org/10.1016/S0169-2070(99)00048-5

          8. Henrique B.M., Sobreiro V.A., Kimura H. Literature review: Machine learning techniques applied to financial market prediction // Expert Systems with Applications. 2019. Vol. 124. Pp. 226–251. doi.org/10.1016/j.eswa.2019.01.012

          9. Bekaert G., Harvey C.R. Emerging equity markets in a globalizing world // SSRN Electronic Journal. 2017. 2344817. doi.org/10.2139/ssrn.2344817

          10. Fama E.F., French K.R. Common risk factors in the returns on stocks and bonds // Journal of Financial Economics. 1993. Vol. 33, Issue 1. Pp. 3–56. https://doi.org/10.1016/0304-405X(93)90023-5

          11. Cavalcante R.C., Brasileiro R.C., Souza V.L., Nobrega J.P., Oliveira A.L. Computational intelligence and financial markets: A survey and future directions // Expert Systems with Applications. 2016. Vol. 55. Pp. 194–211. doi.org/10.1016/j.eswa.2016.02.006

          12. Nti I.K., Adekoya A.F., Weyori B.A. A systematic review of fundamental and technical analysis of stock market predictions // Artificial Intelligence Review. 2020. Vol. 53, Issue 4. Pp. 3007–3057. doi.org/10.1007/s10462-019-09754-z

          13. Sezer O.B., Gudelek M.U., Ozbayoglu A.M. Financial time series forecasting with deep learning: A systematic literature review: 2005–2019 // Applied Soft Computing. 2020. Vol. 90. 106181. doi.org/10.1016/j.asoc.2020.106181

          14. Wang J.J., Wang J.Z., Zhang Z.G., Guo S.P. Stock index forecasting based on a hybrid model // Omega. 2012. Vol. 40, Issue 6. Pp. 758–766. doi.org/10.1016/j.omega.2011.07.008

          15. Ballings M., Van den Poel D., Hespeels N., Gryp R. Evaluating multiple classifiers for stock price direction prediction // Expert systems with Applications. 2015. Vol. 42, Issue 20. Pp. 7046–7056. doi.org/10.1016/j.eswa.2015.05.013

          16. Krauss C., Do X.A., Huck N. Deep neural networks, gradient-boosted trees, random forests: Statistical arbitrage on the S&P 500 // European Journal of Operational Research. 2017. Vol. 259, Issue 2. Pp. 689–702. doi.org/10.1016/j.ejor.2016.10.031

          17. De Faria E.L., Albuquerque M.P., Gonzalez J.L., Cavalcante J.T.P., Albuquerque M.P. Predicting the Brazilian stock market through neural networks and adaptive exponential smoothing methods // Expert Systems with Applications. 2009. Vol. 36, Issue 10. Pp. 12506–12509. doi.org/10.1016/j.eswa.2009.04.032

          18. Pai P.F., Lin C.S. A hybrid ARIMA and support vector machines model in stock price forecasting // Omega. 2005. Vol. 33, Issue 6. Pp. 497–505. doi.org/10.1016/j.omega.2004.07.024

          19. Chen Y., Hao Y. A feature weighted support vector machine and K-nearest neighbor algorithm for stock market indices prediction // Expert Systems with Applications. 2017. Vol. 80. Pp. 340–355. doi.org/10.1016/j.eswa.2017.02.044

          20. Rahnemoon P.T., Akbar M.S.S., Asgari M. Modeling and Monthly Price Forecasting of Steel in Iran // Stable Economy Journal. 2024. Vol. 4, Issue 4. Pp. 60–95. doi.org/10.22111/SEDJ.2024.47309.1417

          21. Moseane O., Tsoku J.T., Metsileng D. Hybrid time series and ANN-based ELM model on JSE/FTSE closing stock prices // Frontiers in Applied Mathematics and Statistics. 2024. Vol. 10. 1454595. doi.org/10.3389/fams.2024.1454595

          22. Kim K.J. Financial time series forecasting using support vector machines // Neurocomputing. 2003. Vol. 55, Issue 1-2. Pp. 307–319. doi.org/10.1016/S0925-2312(03)00372-2

          23. Wijesinghe G.W.R.I., Rathnayaka R.M.K.T. ARIMA and ANN Approach for forecasting daily stock price fluctuations of industries in Colombo Stock Exchange, Sri Lanka // Proceedings of 2020 5th International Conference on Information Technology Research (ICITR). IEEE, 2020. Pp. 1–7. doi.org/10.1109/ICITR51448.2020.9310826

          24. Wijesinghe G.W.R.I., Rathnayaka R.M.K.T. Stock market price forecasting using ARIMA vs ANN; a case study from CSE // Proceedings of 2020 2nd International Conference on Advancements in Computing (ICAC). Vol. 1. IEEE, 2020. Pp. 269–274. doi.org/10.1109/ICAC51239.2020.9357288

          25. Zhang G., Patuwo B.E., Hu M.Y. Forecasting with artificial neural networks: The state of the art // International Journal of Forecasting. 1998. Vol. 14, Issue 1. Pp. 35–62. doi.org/10.1016/S0169-2070(97)00044-7

          26. Varshney S., Srivastava P. A comparative study of future stock price prediction through artificial neural network and ARIMA modelling // NMIMS Management Review. 2023. Vol. 31, Issue 4. Pp. 229–239. doi.org/10.1177/09711023241230367

          27. Shi C., Zhuang X. A study concerning soft computing approaches for stock price forecasting // Axioms. 2019. Vol. 8, Issue 4. 116. doi.org/10.3390/axioms8040116

          28. Khan A.H., Shah A., Ali A., Shahid R., Zahid Z.U., Sharif M.U., Zafar M.H. A performance comparison of machine learning models for stock market prediction with novel investment strategy // PLoS ONE. 2023. Vol. 18, Issue 9. e0286362. doi.org/10.1371/journal.pone.0286362

          29. Shahi T.B., Shrestha A., Neupane A., Guo W. Stock price forecasting with deep learning: A comparative study // Mathematics. 2020. Vol. 8, Issue 9. 1441. doi.org/10.3390/math8091441

          30. Jia Y., Anaissi A., Suleiman B. ResNLS: An improved model for stock price forecasting // Computational Intelligence. 2024. Vol. 40, Issue 1. e12608. doi.org/10.1111/coin.12608

          31. Yuan X., Guo Y., Gu S., Wang J., Qi A., Li S., Zhao L. TFE-HMM: Combining State Transitions and Price Trends for Stock Price Forecasting // Expert Systems with Applications. 2025. Vol. 288. 128192. doi.org/10.1016/j.eswa.2025.128192

          32. Kwembe T.A. Multivariate Linear Model for Data Analysis and Machine Learning and the Theory and Practice of Eigenvalues in Mitigating Multicollinearity // In: Bridging Eigenvalue Theory and Practice-Applications in Modern Engineering. Edited by B. Carpentieri. IntechOpen, 2025. Pp. 89–95. doi.org/10.5772/intechopen.1007814

          33. Box G.E., Pierce D.A. Distribution of residual autocorrelations in autoregressive-integrated moving average time series models // Journal of the American Statistical Association. 1970. Vol. 65, Issue 332. Pp. 1509–1526. doi.org/10.1080/01621459.1970.10481180

          34. Zou H., Hastie T. Regularization and variable selection via the elastic net // Journal of the Royal Statistical Society Series B: Statistical Methodology. 2005. Vol. 67, Issue 2. Pp. 301–320. doi.org/10.1111/j.1467-9868.2005.00503.x

          35. Taylor S.J., Letham B. Forecasting at scale // The American Statistician. 2018. Vol. 72, Issue 1. Pp. 37–45. doi.org/10.1080/00031305.2017.1380080

Информация об авторах

Салимиан Саттар

Аспирант по ресурсной экономике, кафедра экономики, Университет Рази, г. Керманшах, Иран (Kermanshah Province, Kermanshah, Zakariya Razi Blvd, Iran); ORCID orcid.org0000-0003-1345-3829 e-mail: sattar.salimian@yahoo.com

Ростами Эхсан

PhD in Economics, кафедра экономики, факультет гуманитарных и социальных наук, Университет Курдистана, г. Санандадж, Иран (Kermanshah Province, Kermanshah, Zakariya Razi Blvd, Iran); ORCID orcid.org0009-0000-0973-8296 e-mail: rostamiehsan1404@gmail.com

Салимиан Салах

Постдокторант по экономике, кафедра экономики, факультет гуманитарных и социальных наук, Университет Курдистана, г. Санандадж, Иран (Kurdistan Province, Sanandaj, Iran); ORCID https://orcid.org/0000-0002-4938-950X e-mail: salahsalimian@yahoo.com

Пурмахмуд Хазир

Магистр финансов, Университет Шмалькальден, Тюрингия, г. Шмалькальден, Германия (Blechhammer 9, 98574 Schmalkalden, Germany); ORCID https://orcid.org/0009-0007-8005-3063 e-mail: Hazhir2pourmahmud@gmail.com

Для цитирования

Салимиан С., Ростами Э., Салимиан С., Пурмахмуд Х. Линейная регрессия и искусственные нейронные сети в прогнозировании цен акций: кейс-стади компании Isfahan Steel // Journal of Applied Economic Research. 2026. Т. 25, № 2. С. 625-654. https://doi.org/10.15826/vestnik.2026.25.2.021

Информация о статье

Дата поступления 28 января 2026 г.; дата поступления после рецензирования 21 февраля 2026 г.; дата принятия к печати 23 февраля 2026 г.

DOI: http://dx.doi.org/10.15826/vestnik.2026.25.2.021

Скачать полный текст статьи: