بررسی دقت ماشین بردار پشتیبان بر پایه الگوریتم ژنتیک نسبت به روش های متداول خطی در پیش بینی سود هر سهم (مقاله علمی وزارت علوم)
درجه علمی: نشریه علمی (وزارت علوم)
آرشیو
چکیده
اطلاعات مربوط به سود و سود پیش بینی شده هر سهم معیارهایی هستند که از دیدگاه بسیاری از استفاده کنندگان با اهمیت تلقی می شوند؛ لذا شرکت ها برای جذب سرمایه گذاران تلاش می کنند سود هر سهم را با بیشترین دقت پیش بینی کنند. از سوی دیگر، علی رغم روش های متعدد پیش بینی سود، پیش بینی دقیق سود هر سهم در حوزه مالی کار چندان آسانی نیست و اغلب پژوهشگران درصدد تعیین بهترین روش برای پیش بینی سود هستند؛ بنابراین، هدف اصلی این پژوهش بررسی دقت ماشین بردار پشتیبان بر پایه الگوریتم ژنتیک نسبت به روش های متداول خطی در پیش بینی سود هر سهم است. بدین منظور، نمونه ای متشکل از 100 شرکت پذیرفته شده در بورس اوراق بهادار تهران طی سال های 1387-1398 بررسی شده است. در راستای دستیابی به اهداف پژوهش، ابتدا با مطالعه پژوهش های پیشین در حوزه پیش بینی سود 14 نسبت مالی اثرگذار بر پیش بینی سود انتخاب شده است. سپس، به منظور ارائه مدلی در زمینه پیش بینی سودآوری شرکت ها، به مقایسه مدل ترکیبی ماشین بردار پشتیبان بر پایه الگوریتم ژنتیک، ماشین بردار پشتیبان و رگرسیون خطی پرداخته شده است. نتایج پژوهش نشان داد مدل ترکیبی ماشین بردار پشتیبان بر پایه الگوریتم ژنتیک در پیش بینی روند حرکتی سود هر سهم بسیار بهتر عمل کرده و در مقایسه با مدل ماشین بردار پشتیبان بر اساس توابع کرنلی و روش رگرسیون خطی از دقت بالاتری برخوردار است. به گونه ای که با توسعه مدل ماشین بردار پشتیبان بر پایه الگوریتم ژنتیک خطای آموزش مدل به مقدار 036/0 کاهش و بر دقت مدل تا 75 درصد افزوده می شود.Evaluation of the Accuracy of Support Vector Machine based on Genetic Algorithm Compared to Common Linear Methods in Forecasting Earnings Per Share
Earnings and earnings per share information are metrics that are considered important by many users; Therefore, companies try to attract investors with the most accurate forecast of earnings per share. On the other hand, despite the various methods of forecasting earnings, accurate forecasting of earnings per share in the financial field is not easy and most researchers are trying to determine the best way to forecast earnings; Therefore, the main purpose of this study is to investigate the accuracy of support vector machine based on genetic algorithm compared to common linear methods in forecasting earnings per share. For this purpose, samples consisting of 100 companies listed on the Tehran Stock Exchange during the years 2008-2019 have been studied. In order to achieve the objectives of the research, first by studying previous research in the field of earnings forecasting, 14 financial ratios affecting earnings forecasting have been selected. Then, in order to provide a model for predicting the profitability of companies, a combined model of support vector machine based on genetic algorithm, support vector machine and linear regression is compared. The results showed that the hybrid model of support vector based on genetic algorithm is much better in predicting the trend of earnings per share and has a higher accuracy compared to the model of support vector based on kernel functions and linear regression method. Thus, with the development of the support vector machine model based on the genetic algorithm, the model training error is reduced to 0.036 and the accuracy of the model is increased up to 75%.
تبلیغات
