پیش بینی شوک منفی قیمت سهام با تأکید بر نسبت های مالی (مقاله علمی وزارت علوم)
درجه علمی: نشریه علمی (وزارت علوم)
آرشیو
چکیده
براساس تحقیقات بازار سرمایه، شوک منفی قیمت سهام در هر بازار تابع عوامل محیطی و ویژگی های خاص شرکتی بوده و هر بینشی درمورد چگونگی تشریح و پیش بینی شوک، می تواند بر تصمیمات سرمایه گذاران و فعالان حاضر در بورس اثرگذار باشد. در این پژوهش بر اساس داده های مرتبط با 140 شرکت ها اقدام به پیش بینی شوک قیمتی سهام با تأکید بر نسبتهای مالی شده است. به منظور انتخاب متغیرهای بهینه از مجموعه 96 متغیر، از دو الگوریتم تکاملی بهینه سازی ازدحام ذرات و الگوریتم ژنتیک استفاده شده است. پس از به کارگیری الگوریتمهای ذکرشده درنهایت 8 متغیر تأثیرگذار بر شوکهای دائم و موقت استخراج گردید که در مدل رگرسیونی باقیمانده مستحکم در تحقیق تأثیر آنها بر متغیر پیشبینی شونده شوک بررسی گردید. نتایج حاصل از RSME مدلهای بررسی شده بهترتیب برای شوک دائم (الگوریتم ژنتیک)، شوک دائم (الگوریتم تکاملی بهینه سازی ازدحام ذرات)، شوک موقت (الگوریتم ژنتیک) و شوک موقت (الگوریتم تکاملی بهینه سازی ازدحام ذرات)، 5.8433، 5.6284، 7.537 و 7.295 میباشد. همان طور که مشاهده میشود RSME در شوک دائم براساس الگوریتم ژنتیک، بیشتر از RSME مدل شوک دائم براساس الگوریتم تکاملی بهینه سازی ازدحام ذرات میباشد. همچنین در مدل شوک موقت براساس الگوریتم ژنتیک RSME مدل، بیشتر از RSME مدل شوک موقت براساس الگوریتم تکاملی بهینه سازی ازدحام ذرات میباشد. بنابراین می توان بیان نمود که رگرسیون برآورد شده بر اساس متغیرهای انتخابی از الگوریتم تکاملی بهینه سازی ازدحام ذرات دارای RSME پایین تر بوده و قدرت پیش بینی کنندگی بهتری نسبت به متغیرهای انتخابی از الگوریتم ژنتیک دارPredicting Negative Price Shock with Emphasis on Financial Ratios
According to capital market research, the negative stock price shock in any market is a function of environmental factors and specific characteristics of the company, and any insight on how to describe and predict the shock can affect the decisions of investors and activists in the stock market. In this study, based on data related to 140 companies listed on the Tehran Stock Exchange.we have attempted to predict stock price shocks with emphasis on financial ratios. In order to select the optimal variables from the set of 96 variables, two evolutionary algorithms of particle swarm optimization and genetic algorithm have been used. After applying the mentioned algorithms, finally, 8 variables affecting permanent and temporary shocks were extracted, which in the regression model mentioned in the research, their effect on the predictor of shock was investigated. the results of RSME model are the permanent shock (genetic algorithm), permanent shock (particle swarm optimization), temporary shock (genetic algorithm) and temporary shock (particle swarm optimization (particle swarm optimization), 5.8433 , 5.6284 , 7.537 and 7.295 . as we observe , RSME in permanent shock based on genetic algorithm is more than RSME permanent shock model based on the evolutionary algorithm of particle swarm optimization. also in the transient shock model based on the genetic algorithm , the model is more than RSME of the temporary shock model based on the evolutionary algorithm of particle swarm optimization . It can therefore be stated that the estimated regression is based on the selected variables from the evolutionary algorithm of the particle swarm optimization, and has better predictive power than the selected variables of the genetic algorithm.
تبلیغات
