پیش بینی بازده سهام با تاکید بر نقش معیارهای مالی و نظارتی با استفاده از روش های یادگیری ماشین
پیش بینی بازده سهام اگرچه پیچیده است ولی همواره مورد علاقه سرمایه گذاران می باشد. سرمایه گذاران و تصمیم گیران جهت پیش بینی بازده سهام نیازمند اطلاعات هستند.
این پژوهش با هدف پیش بینی بازده سهام در شرکت های پذیرفته شده بورس اوراق بهادار تهران با تاکید بر نقش معیارهای مالی و نظارتی با استفاده از روش های یادگیری ماشین انجام شد.
این پژوهش از لحاظ هدف کاربردی و به لحاظ نوع مطالعه میدانی- کتابخانه ای است. جامعه آماری را شرکت های پذیرفته شده بورس اوراق بهادار تهران طی سال های 1390 تا 1396 (یک دوره هفت ساله) تشکیل دادند و آزمون فرضیه ها با استفاده از روش های یادگیری ماشین (رویکرد خطی و غیرخطی و قانون گرا) انجام گرفت.
یافته ها:
نتایج آزمون متغیرگزینی با استفاده از روش Relief-F حاکی از ارتباط معنادار متغیرهای بازده دارایی، نسبت قیمت به سود هر سهم،کیوتوبین، نسبت وجه نقد عملیاتی، اهرم مالی و نسبت مالکان نهادی با بازده سهام است. همچنین نتایج نشان داد که روش های یادگیری ماشین PINSVR در حالت خطی و غیرخطی و CART توانایی مناسبی (بیش از 90 درصد) جهت پیش بینی بازده سهام دارند اما روش غیرخطی PINSVR و قانون گرای CART نسبت به روش خطی قدرت پیش بینی بالاتری را نشان داد.
نتیجه گیری:
با توجه به نتایج به دست آمده، به صاحبان سرمایه و تصمیم گیران شرکت ها توصیه می شود که در تصمیم گیری های خود پیرامون سرمایه گذاری در بورس اوراق بهادار تهران از قدرت پیش بینی الگوریتم های هوش مصنوعی به ویژه روشهای غیرخطی استفاده کنند.
- حق عضویت دریافتی صرف حمایت از نشریات عضو و نگهداری، تکمیل و توسعه مگیران میشود.
- پرداخت حق اشتراک و دانلود مقالات اجازه بازنشر آن در سایر رسانههای چاپی و دیجیتال را به کاربر نمیدهد.