پیش بینی نقدشوندگی در بورس اوراق بهادار تهران با استفاده از مدل های یادگیری (مقاله علمی وزارت علوم)
درجه علمی: نشریه علمی (وزارت علوم)
آرشیو
چکیده
قابلیت نقدشوندگی در بورس، میزان نزدیکی سهام به پول نقد را بیان می کند. از آنجا که بورس اوراق بهادار تهران در ردیف بورس های غیرنقد جهان لحاظ شده و مسئله نقدشوندگی سهام یکی از دغدغه های اصلی سرمایه گذاران است، لذا در این پژوهش سعی بر این است با استفاده از مدل های یادگیری عمیق به پیش بینی نقد شوندگی بورس اوراق بهادار تهران پرداخته شود. جامعه آماری شامل شرکت های فعال در بورس اوراق بهادار تهران در سال های 1400-1394 می باشد که 23 شرکت به عنوان نمونه مورد مطالعه قرار گرفتند. حجم و ارزش معاملات، نسبت گردش سهام، آمیهود، اختلاف قیمت های پیشنهادی خرید و فروش و شکاف نسبی به عنوان معیارهای نقدشوندگی، اندازه گیری شده و یک شبکه عصبی تماما متصل بر اساس پرسپترون چند لایه (MLP)، مدل ترکیبی یادگیری عمیق (MDL) و مدل کلاسیک رگرسیون خطی (LR) مورد آزمون قرار گرفت. برای سنجش قدرت پیش بینی مدل ها، میانگین مربعات خطا (MSE) و میانگین قدر مطلق خطا (MAE) محاسبه شده و جهت مقایسه میزان دقت روش های مختلف پیش بینی، آزمون t مورد استفاده قرار گرفت. طبق نتایج، میزان خطای پیش بینی مدل ترکیبی یادگیری عمیق از دو مدل دیگر کمتر بوده و آزمون های آماری نیز در سطح اطمینان 95 درصد، معنی داری اختلاف دقت پیش بینی مدل ها را تایید می کند که عملکرد مناسب مدل ترکیبی پیشنهادی را در مقایسه با دو مدل دیگر نشان می دهد.Liquidity prediction in Tehran stock exchange using learning models
Liquidity in the stock market expresses how close the stock is to cash. Since the Tehran Stock Exchange is included among the world's non-cash stock exchanges and the issue of stock liquidity is one of the main concerns of investors, therefore, in this research, an attempt is made to predict the liquidity of the stock exchange using deep learning models. The statistical population includes companies active in the Tehran Stock Exchange in the years 1394-1400, and 23 companies were studied as a sample. The transaction volume and value, stock turnover ratio, Amihood, the difference between the bid and ask prices (spread) and the relative spread were measured as liquidity measure and a fully connected neural network based on multilayer perceptron (MLP), mixed deep learning (MDL) model and classical linear regression (LR) model was tested. To measure the predictive power of the models, the mean squared error (MSE) and mean absolute error (MAE) measures were calculated, and t-test was used to compare the accuracy of forecasting methods. According to the results, the prediction error rate of MDL model is lower than the other two models, and the statistical tests also confirm the significance difference in the prediction accuracy of the models at the 95% confidence level, which shows the proper performance of the proposed hybrid model compared to two other models.
تبلیغات
