تمت في كلية الادارة والاقتصاد / جامعة بغداد ، مناقشة اطروحة الدكتوراه الموسومة ( تقدير أنموذج انحدار فاما – ماكبث باستعمال طرائق الانحدار شبه المعلمي وخوارزميات الذكاء الاصطناعي مع التطبيق ) في تخصص الاحصاء للطالبة (مريم جمعه موسى) بأشراف أ.د مناف يوسف حمود
تهدف هذه الأطروحة إلى تطوير وتحسين أساليب تقدير نموذج فاما-ماكبث باستخدام أساليب الانحدار شبه المعلمي (semiparametric regression) وخوارزميات التحسين الذكي (intelligent optimization algorithms)، بهدف توفير تقديرات أكثر دقة ومرونة.
ولتحقيق هذا الهدف تم استعمال الانحدار الموزون بكيرنل (kernel weight regression) حيث يتم اختيار عرض النطاق (bandwidth) عبر التحقق المتقاطع المعمم الشبكي (Gride Generalized Cross-Validation). كما تقترح استخدام التحقق المتقاطع المعمم السريع (Fast Generalized Cross-Validation) وقاعدة الإبهام (Rule-of-Thumb) في الانحدار الموزون بكيرنل . بالإضافة إلى ذلك، تم اقتراح طريقة شبه معلمية لتعديل نموذج فاما-ماكبيث بناءً على نموذج المؤشر الفردي (Single Index Model) وتقديره باستخدام المربعات الصغرى المعاقبة مع السبلاين (penalized least square for spline smoothing)، حيث يتم تقدير معامل التمهيد باستخدام التحقق المتقاطع المعمم الشبكي والتحقق المتقاطع المعمم السريع. كما تم تقدير النموذج المعدل باستخدام انحدار المربعات الصغرى المحدب مع قيد ليبشيتز (Convex Least Squares Regression with Lipschitz Constraint)، حيث يتم اختيار ثابت ليبشيتز عبر الضبط اليدوي.
تم أيضًا تطبيق خوارزميتين للتحسين الذكي، هما خوارزمية اليعسوب (Dragonfly) و خوارزمية ذبابة الفاكهة (Fruit Fly)، لتعزيز جودة التقديرات. ولتحسين أداء خوارزمية اليعسوب بشكل خاص، استكشفت الدراسة ثلاث طرق لضبط المعلمات: الضبط اليدوي للمعلمات، والضبط التكيفي وفقًا لمنهجية ياسين وآخرون (2018)، وطريقة جديدة مقترحة للضبط التكيفي للمعلمات بناءً على الأداء.
من خلال الجمع بين هذه الأساليب ومعلماتها المختلفة، تم توليد ما يقرب من 211 طريقة لتقدير نموذج فاما-ماكبيث المعدل. عند تطبيق هذه المنهجيات على سوق العراق للأوراق المالية لدراسة العوامل المؤثرة على عوائد الأسهم باستخدام نموذج فاما-فرينش ثلاثي العوامل (Fama-French three-factors model)، أشارت النتائج إلى أن نموذج فاما-ماكبث المعدل أفضل من النموذج غير المعدل ومن النموذج الخطي. كما أن تركيبة محددة من المربعات الصغرى المعاقبة (التحقق المتقاطع المعمم الشبكي) مع التحسين بواسطة خوارزمية ذبابة الفاكهة، والمربعات الصغرى المعاقبة (التحقق المتقاطع المعمم الشبكي) بدون تحسين، قد حققت أفضل أداء.
