Skip to main content
فهرست مقالات

ترکیب شبکه عصبی، الگوریتم ژنتیک و الگوریتم تجمع ذرات در پیش‌بینی سود هر سهم

نویسنده:

علمی-پژوهشی (وزارت علوم)/ISC (28 صفحه - از 7 تا 34)

پیش‌بینی سود هر سهم از اهمیت فراوانی برای سرمایه‌گذاران و مدیران داخلی شرکت‌ها برخوردار است. بررسی پژوهش‌های قبلی حاکی از این بوده است که در اکثر آن‌ها، به فرضیه وجود رابطه غیرخطی میان سود وعوامل تعیین‌کننده آن توجه نشده است. این در حالی است برخی از پژوهشگران نشان داده‌اند که رابطه میان سود و عوامل تعیین‌کننده آن خطی نیست. به همین دلیل و همچنین نقش محوری سود هر سهم در تصمیمات سرمایه‌گذاران، با استفاده از مدل‌های مختلف شبکه عصبی مصنوعی و مدل‌های سری زمانی، سود هر سهم میان‌دوره‌ای 126 شرکت‌ پذیرفته‌ شده در بورس اوراق بهادار تهران طی سال‌های 1389 تا 1395 بررسی و پیش‌بینی‌ شده است. در ادامه و در گام بعدی برای تعیین متغیرهای ورودی مؤثر بر سود هر سهم از الگوریتم بهینه‌سازی ژنتیک و تجمع ذرات استفاده شده است. به‌کارگیری روش ترکیبی شبکه عصبی مصنوعی، الگوریتم ژنتیک و الگوریتم تجمع ذرات می‌تواند علاوه بر استفاده از روش‌های نوین برای پیش‌بینی سود هر سهم، سرمایه‌گذاران را نیز در تصمیم‌گیری‌های آتی یاری ‌رساند. نتایج نشان می‌دهد روش پیشنهادی قادر است تا متغیرهای ورودی مؤثر بر سود هر سهم را از میان تمام متغیرهای ورودی استخراج و توانایی و قدرت تعمیم شبکه عصبی مصنوعی را افزایش دهد.

خلاصه ماشینی:

"به همین دلیل در این پژوهش از طریق ترکیب دو روش محاسباتی الگوریتم ژنتیک و تجمع ذرات از رویکرد جدیدتری در جست‌وجوی بهترین متغیرها از میان متغیرهای موجود استفاده شده است تا عدم کارایی متغیرهای ناموثر به حداقل رسیده و بهترین ساختار شبکۀ عصبی برای پیش‌بینی سود هر سهم میان‌دوره‌ای با توجه به متغیرهای ورودی مؤثر انتخاب شود. این در حالی است که تعدادی دیگر از پژوهشگران نظیر ژانگ و همکاران (2004) معتقد هستند که دلیل اصلی برتری الگو سری زمانی بر شبکۀ عصبی، عدم بهره‌برداری از متغیرهای حسابداری و مالی است، لذا در ادامه مطالعۀ کالن و همکاران (1996) و ژانگ و همکاران (2004) چندین متغیر بنیادی حسابداری شامل مخارج سرمایه‌ای، حساب دریافتی و موجودی کالا را به منظور بهبود قدرت الگو‌های غیرخطی به الگو افزودند. آمار توصیفی متغیرهای پژوهش متغیرهای پژوهش نماد میانگین میانه بیشینه کمینه سود هر سهم Y 11/452 331 3926 3 موجودی کالا INV 43/1351 5/1010 5121 39/0 حساب‌های دریافتنی AR 65/1620 1037 6943 17/0 مخارج سرمایه‌ای CAPX 60/52 87/10 67/896 84/501- سود ناخالص GM 85/635 5/438 2983 83/0 هزینه‌های اداری و فروش SA 75/217 55/137 22/1893 95/1 نرخ مالیات مؤثر ETR 112/0 128/0 471/0 00012/0 بهره‌وری نیروی کار LF 21/3 75/2 97/4 233/0 نتایج الگوی سری زمانی چند متغیره استفاده از روش برآورد حداقل مربعات معمولی (OLS) مستلزم آن است تا متغیرهای سری زمانی پایا باشند، از طرف دیگر بسیاری از باورهای غالب در علوم مالی و اقتصاد بیانگر آن است که این متغیرها در اکثر موارد پایا نیستند، از این‌ رو اولین گام در تحلیل داده‌های سری زمانی، بررسی پایایی متغیرها است. با توجه به نتایج جدول شمارۀ 13 و مشاهده تمامی معیارهای ارزیابی عملکرد این الگو‌ها، می‌توان به این نتیجه رسید که ترکیب شبکه‌های عصبی با الگوریتم ژنتیک و الگوریتم تجمع ذرات قدرت پیش‌بینی را افزایش می‌دهد؛ زیرا تمامی معیارهای ارزیابی این الگو در قیاس با سایر الگو‌های پژوهش بهتر است."


برای مشاهده محتوای مقاله لازم است وارد پایگاه شوید. در صورتی که عضو نیستید از قسمت عضویت اقدام فرمایید.