میلاد شجاعی نصیرآبادی

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.