چکیده:
هدف کلی این مقاله، ارائه یک شبکه عصبی مصنوعی جهت پیش بینی ریسک سیستماتیک شرکت
سایپا با استفاده از متغیرهای کلان اقتصادی است. نوع شبکه ای که در این پژوهش بکار گرفته شده یک
شبکه عصبی پی شخور با الگوریتم پس انتشار خطاست. شاخص کل قیمت بورس اوراق بهادار تهران،
نرخ ارز (دلار)، قیمت نفت و قیمت طلا (سکه) به عنوان 4 متغیر ورودی شبکه و ریسک سیستماتیک به
عنوان متغیر خروجی شبکه انتخاب شده است. داده های مربوط به هر کدام از متغیرها ابتدا به صورت
هفتگی و ماهانه تنظیم و سپس براساس این داده ها 80 شبکه عصبی مصنوعی مختلف طراحی شده است. یافته ها نشان می دهند که مدل بهینه جهت پیش بینی ریسک سیستماتیک به صورت هفتگی یک پرسیترون چهار لایه با مقدار خطای 0/033314 است. همچنین، مدل بهینه برای پیش بینی ریسک سیستماتیک به صورت ماهانه، یک پرسپترون سه لایه با مقدار خطای 0/065557 است.
The purpose of this study is to introduce an artificial neural model for predicting systematic risk of Saipa Company by using macro economic variables. The net used in the study is a neural feedforward network with backpropagation algorithms. Price Index in Tehran Stock Exchange، Exchange Rate، Oil Price and Gold Price have been considered as four input variables، and the systematic risk as the output variable. The relevant data for each variable has been set weekly and monthly، and based on the data، 80 different neural networks were designed. The results show that the optimal model for predicting weekly systematic risk is a four- layer- model with the Root- Mean- Square (RMS) of 0/033314. Furthermore، the optimal model for predicting monthly systematic risk is a three- layer- model with the RMS of 0/065557.