شناسایی و رتبه بندی عوامل پیش بینی کننده حباب قیمتی سهام: کاربرد رگرسیون لوجستیک و شبکه مصنوعی عصبی (مقاله علمی وزارت علوم)
درجه علمی: نشریه علمی (وزارت علوم)
آرشیو
چکیده
هدف این تحقیق، شناسایی و رتبه بندی عوامل پیش بینی کننده تشکیل حباب قیمتی سهام در بورس اوراق بهادار تهران است. بدین منظور ابتدا از طریق آزمون های کشیدگی، تسلسل و چولگی وضعیت حبابی بودن قیمت 158 سهم طی دوره ی زمانی 1389 تا 1392 مشخص شد. سپس بر اساس ادبیات پژوهشی، برای پیش بینی حباب از متغیرهای شفافیت اطلاعات، اهرم مالی، نقدشوندگی، نسبت ارزش دفتری به ارزش بازار سهام، p/e، شناوری سهم، مالکیت نهادی و اندازه شرکت استفاده شد. سپس با استفاده از روش رگرسیون لاجستیک تاثیر این متغیرها بر حباب قیمت تایید شد. نتایج تحقیق نشان داد که افزایش در متغیرهای شفافیت، شناوری سهم، نسبت ارزش دفتری به ارزش بازاری، نقدشوندگی سهام، مالکیت نهادی و اندازه شرکت باعث کاهش احتمال حبابی شدن قیمت سهم می شود. پس از آموزش شبکه عصبی با استفاده از داده های درون نمونه، شبکه با اطلاعات برون نمونه ای بهینه شد. در نهایت با استفاده از تحلیل حساسیت متغیرهای مستقل از طریق شبکه عصبی، این متغیرها بر اساس میزان توانایی پیش بینی حبابی شدن قیمت سهم رتبه بندی شدند.Identifying and ranking predictors of stock bubble: Application of Logistic regression and artificial neural network
The aim of this study is to identify and ranking the factors predicting stock price bubble in the Tehran Stock Exchange. For this purpose, at first through skewness, Kurtosis and runs tests on price of 158 stock symbol bubble status during the period from 1389 to 1392 were identified. According to research literature, affecting factor including information transparency, leverage, liquidity, ratio of book value to market value, p/e, liquidity, institutional ownership and firm size were used. Then, using logistic regression effect of this variable on price bubble was confirmed. Results show that the increase in transparency variables, B/M, liquidity, institutional ownership and firm size reduces the probability of forming bubble in share prices. After training artificial neural network, using the sample data the network were optimized by out of the sample data. Finally, using sensitivity analysis through neural network, these variables based on the ability to predict the share price bubble were ranked.
تبلیغات
