Mutatószám-halmaz kialakítása autóipari vállalatok tőzsdei előrejelzéséhez = Develepment of an Indicator Set for Stock Market Forecasting of Automotive Companies

Szabó, Tamás and Gáspár, Sándor and Hegedűs, Szilárd (2026) Mutatószám-halmaz kialakítása autóipari vállalatok tőzsdei előrejelzéséhez = Develepment of an Indicator Set for Stock Market Forecasting of Automotive Companies. MAGYAR MINŐSÉG, 35 (1). pp. 52-75. ISSN 1416-9576

Preview

Text 52_75_Amutatoszam-halmazkialakitasa.pdf - Published Version Download (1MB) | Preview

Abstract

Az autóipari vállalatok részvényárfolyamának megbízható előrejelzése kulcsfontosságú a befektetői döntéshozatalban és a pénzügyi elemzésben. Kutatásunkban az adaptív neuro-fuzzy inferencia rendszer (ANFIS) alkalmazhatóságát vizsgáltuk fundamentális pénzügyi mutatók alapján történő részvényárfolyam-előrejelzésben. A vizsgálat elsődleges célja az volt, hogy felmérjük, milyen mértékben változik az ANFIS modell előrejelzési teljesítménye, ha a szakirodalom által validált négy fundamentális mutatót (eszközarányos nyereség (ROA), saját tőke arányos nyereség (ROE), egy részvényre jutó eredmény (EPS) és árbevétel-arányos nyereség (Profit Margin – PM)) egyenként eltávolítjuk és ezzel azonosítsuk a mutatók relatív fontosságát. Módszertanunk során az ORBIS pénzügyi adatbázisból származó, 2019 és 2023 közötti 103 tőzsdén jegyzett autóipari vállalat adatát használtuk fel. Az adatok elemzésére Sugeno-típusú ANFIS modellt alakítottunk ki, amelynek teljesítményét a gyök négyzetes átlagos hiba (RMSE) és annak normalizált értéke (nRMSE) segítségével értékeltük. Az eredmények szerint a ROA eltávolítása okozta a legjelentősebb, míg a PM eltávolítása a legkisebb teljesítménycsökkenést. Következtetéseink alapján a fundamentális mutatók fontossági sorrendje: ROA, ROE, EPS és PM. Kutatásunk egyértelműen alátámasztja, hogy az ANFIS módszer hatékony eszköz a fundamentális pénzügyi elemzés és a részvényárfolyam-előrejelzés támogatásában, továbbá kiemeli az egyes mutatók szerepének eltérő jelentőségét az autóipari szektor részvényértékelésében. | Reliable prediction of automotive companies' stock prices is crucial for investment decisions and financial analysis. In our study, we investigated the applicability of the Adaptive Neuro-Fuzzy Inference System (ANFIS) for predicting stock prices based on fundamental financial indicators. The primary objective was to examine how the prediction accuracy of the ANFIS model changes when individually removing one of the four validated fundamental indicators Return on Assets (ROA), Return on Equity (ROE), Earnings per Share (EPS), and Profit Margin (PM) thus identifying the relative importance of each indicator. For our analysis, we utilized financial data from the ORBIS database covering 103 publicly listed automotive companies for the period 2019–2023. A Sugeno-type ANFIS model was developed and evaluated using the root mean square error (RMSE) and normalized root mean square error (nRMSE). Our results indicate that removing the ROA indicator caused the most significant deterioration in model performance, whereas the removal of PM resulted in the smallest decrease. Based on these findings, the fundamental indicators ranked in terms of predictive importance were ROA, ROE, EPS, and PM. Our research strongly supports the effectiveness of ANFIS models in fundamental financial analysis and stock price forecasting, highlighting the differential significance of individual financial indicators in the valuation of automotive companies' stocks.

Actions (login required)

Edit Item