تجزیه وتحلیل مقایسه ای شبکه عصبی مصنوعی و رگرسیون خطی در پیش بینی تداوم روند بیش واکنشی سهام داران (مقاله علمی وزارت علوم)
درجه علمی: نشریه علمی (وزارت علوم)
آرشیو
چکیده
هدف: بیش واکنشی یکی از ناهنجاری های قابل مشاهده در بازار است که پیامدهای متعددی از جمله ناکارایی بازار را به دنبال دارد. بر این اساس، یکی از موضوعاتی که در اکثر بورس های معتبر دنیا بررسی می شود، بیش واکنشی سهام داران است. بیش واکنشی سرمایه گذاران به عنوان یکی از استثنائات، بیشتر در بازارهای کمتر توسعه یافته و نوظهور مطرح است. شواهد زیادی وجودی دارد که سرمایه گذاران به رویدادهای مالی، بیش از حد لازم واکنش نشان میدهند. در واقع بیش واکنشی به عنوان یک پدیده رفتاری، باعث می شود تا تصمیم گیری سرمایه گذاران در شرایط عدم اطمینان، دچار تورش شود و در نتیجه، بازار کارایی کافی نداشته باشد. در این راستا، تشخیص و پیش بینی این واکنش ها می تواند به سرمایه گذاران کمک کند تا تصمیم های منطقی تری درباره خرید یا فروش سهم ها و سایر اوراق بهادار بگیرند. بنابراین، پیش بینی و تشخیص تداوم روند بیش واکنشی سهام داران، می تواند برای سرمایه گذاران، تحلیلگران مالی و مدیران سرمایه گذاری ابزار ارزشمندی باشد تا مبتنی بر شهود و تحلیل دقیق تری، تصمیم گیری کنند. برای ایجاد یک مدل پیش بینی مؤثر، می توان از روش های مختلفی مانند تحلیل رگرسیونی برای تحلیل ارتباط بین متغیرهای مختلف و تداوم روند بیش واکنشی سهام داران استفاده کرد. همچنین، شبکه های عصبی مصنوعی، به عنوان روشی پیشرفته، می توانند برای مدل سازی پیچیدگی های غیرخطی و ارتباطات پیچیده تر میان متغیرها استفاده شوند. این موضوع با پیش بینی رفتار سهام داران و تصمیم گیری های سرمایه گذاری ارتباط مستقیمی دارد و می تواند به بهبود استراتژی های سرمایه گذاری و مدیریت ریسک کمک کند. با توجه به آنچه بیان شد، هدف اصلی این پژوهش تجزیه وتحلیل مقایسه ای شبکه عصبی مصنوعی و رگرسیون خطی، در پیش بینی تداوم روند بیش واکنشی سهام داران است.روش: پژوهش حاضر از نوع توصیفی علّی و طرح آن، از نوع تجربی است که با استفاده از رویکرد پس رویدادی اجرا شده است. به منظور آزمون فرضیه های پژوهش، از رگرسیون خطی چند متغیره استفاده شد که بر داده های پانل و ترکیبی از سری های زمانی مبتنی بود. برای جمع آوری اطلاعات، از روش کتابخانه ای استفاده شد. اطلاعات و داده های مورد نیاز، از طریق مطالعه صورت های مالی شرکت های موجود در جامعه آماری گردآوری شد. جامعه آماری پژوهش، کلیه شرکت های پذیرفته شده در بورس اوراق بهادار تهران، بین بازه زمانی ۱۳۹۰ تا ۱۴۰۰ بود که با استفاده از روش نمونه گیری حذف سیستماتیک، ۱۱۰ شرکت انتخاب شد. در تجزیه وتحلیل داده ها با استفاده از روش رگرسیون، روابط بین متغیرها بررسی شد و نتایج به دست آمده از شبکه عصبی مصنوعی مقایسه شدند.یافته ها: نتایج برتری مدل شبکه عصبی مصنوعی را از لحاظ میزان ضریب تعیین و شاخص MSE نشان می دهد؛ به طوری که بالاترین میزان ضریب تعیین برای شبکه عصبی مصنوعی (1 لایه پنهان و 9 نرون) برای داده های آزمون 3880/0 و برای مدل رگرسیون خطی برابر با 349/0 به دست آمد. همچنین نتایج نشان داد که میزان MSE برای شبکه عصبی مصنوعی (1 لایه پنهان و 9 نرون) برای داده های آزمون 003266/0 و برای مدل رگرسیون خطی برابر با 004/0 است. بدین ترتیب میزان شاخص MSE نیز به مانند ضریب تعیین، برای حالت شبکه عصبی مصنوعی بهتر است.نتیجه گیری: مدل شبکه عصبی قادر است که الگوهای پیچیده و غیرخطی را کشف کند و بهترین پیش بینی را ارائه دهد. با استفاده از این مدل، می توان به صورت دقیق تر و قابل اعتماد تری روند بازده سهام را پیش بینی کرد.Comparative Analysis of Artificial Neural Networks and Linear Regression in Predicting the Continuation of Shareholders' Overreaction Trends
ObjectiveOverreaction is a noticeable anomaly in financial markets that leads to various consequences, including market inefficiency. As such, one of the prominent topics investigated in major global stock exchanges is shareholders' overreaction. This phenomenon is particularly prevalent in emerging and less developed markets, where investors tend to overreact to financial events. Overreaction, as a behavioral bias, distorts investors' decision-making in uncertain conditions, pulling the market away from its efficient state. Predicting and identifying the persistence of these reactions can assist investors in making more rational decisions regarding the purchase or sale of shares and other securities. Therefore, predicting and identifying the continuation of shareholders' overreaction trends can serve as a valuable tool for investors, financial analysts, and investment managers to make decisions based on intuition and precise analysis. To create an effective predictive model, various methods, such as regression analysis, can be employed to analyze the relationship between different variables and the continuation of shareholders' overreaction trends. Additionally, artificial neural networks (ANNs), as an advanced method, can be used to model the non-linear complexities and intricate connections between variables. This topic is directly related to predicting shareholders' behavior and investment decision-making, ultimately helping improve investment strategies and risk management. Hence, the main objective of this research is to conduct a comparative analysis of artificial neural networks and linear regression in predicting the continuation of shareholders' overreaction trends.MethodsThe present study is descriptive-causal, utilizing ex post facto research. To test the research hypotheses, multivariate linear regression based on panel data and a combination of time series was employed. Data was collected using the library research method, and necessary information was gathered by studying the financial statements of companies within the statistical population. The statistical population includes all companies listed on the Tehran Stock Exchange between 2011 and 2021, with 110 companies selected through systematic elimination sampling. In data analysis, regression methods were used to examine the relationships between variables, and the results were compared with those obtained from artificial neural networks.ResultsThe results indicate the superiority of the artificial neural network model in terms of the coefficient of determination and the MSE (Mean Squared Error) index. Specifically, the highest coefficient of determination for the artificial neural network (with 1 hidden layer and 9 neurons) for test data is 0.3880, compared to 0.349 for the linear regression model. Moreover, the results show that the MSE for the artificial neural network (1 hidden layer and 9 neurons) for test data is 0.003266, compared to 0.004 for the linear regression model. Thus, similar to the coefficient of determination, the MSE index is also better in the case of the artificial neural network.ConclusionThe artificial neural network model is capable of uncovering complex and non-linear patterns, providing the most accurate predictions. By using this model, stock return trends can be predicted more precisely and reliably.
تبلیغات
