قیمت سهم

یکی از مفیدترین روش ها برای تشخیص زمان ورود و خروج به بازارهای بورس، روش تحلیل تکنیکی است. تحلیل تکنیکی به مجموعه ای از قوانین معاملاتی اطلاق می شود که با بررسی روند گذشته قیمت ها، سعی در پیش‎بینی روند آینده آن‎ ها دارند. با توجه به گستردگی و تعدد روش های تحلیل تکنیکی و این نکته که تمامی‎روش های تحلیل تکنیکی در تمامی بازارها قابل استفاده نیستند، در این مقاله سعی شده است سودآوری برخی شاخص های تحلیل تکنیکی پرکاربرد در بازار بورس تهران مورد مقایسه قرار‎گیرد. به این منظور، سودآوری 46 قاعده معاملاتی، شامل انواع میانگین های متحرک بلندمدت و کوتاه مدت، حدود محافظ و مقاوم، باندهای بولینگر، نوسانگر های استوکاستیک، شاخص قدرت نسبی و میانگین متحرک هم‎گرایی/ واگرایی بر روی 22 شرکت پرمعامله بورس تهران، مورد ارزیابی قرار گرفته است. برای انجام آزمون های آماری، به‎دلیل عدم وجود شرایط آزمون های نرمال، از تکنیک "بوت استرپ" استفاده شده است. نتایج نشان می دهد در بین شاخص های آزمون شده، میانگین های متحرک کوتاه‎مدت و نوسانگر ها از بیشترین سودآوری و حدود محافظ و مقاوم از کم‎ترین سودآوری برخوردارند. میانگین های متحرک بلندمدت نیز با این‎که از سودآوری بیشتری نسبت به استراتژی خرید و نگهداری برخوردار بوده اند، سود کم‎تری را در مقایسه با نوسانگر ها و میانگین های متحرک کوتاه‎مدت ایجاد می‎کنند

در پژوهش حاضر، مدلی برای پیش بینی روند قیمت سهام برپایه ی ماشین بردار پشتیبان وزن دهی شده توسط حجم های روزانه معاملات، همراه با روش انتخاب ویژگی هیبرید F-SSFS ارائه می شود. به منظور ارزیابی دقت پیش بینی، مدل پیشنهادی با مدل ماشین بردار پشتیبان ساده همراه با انتخاب ویژگی هیبرد و نیز با روش های انتخاب ویژگی مرسوم از جمله بهره اطلاعات [1]، عدم قطعیت متقارن [2]و انتخاب ویژگی بر پایه همبستگی [3]، از طریق انجام آزمون تی زوجی، مقایسه می شود؛ همچنین به عنوان مجموعه ویژگی های اولیه که در واقع ورودی ماشین بردار پشتیبان تعدیل یافته هستند، از شاخص های تحلیل تکنیکال و شاخص های آماری که برای 10 سهم محاسبه شده اند، استفاده می شود. نتیجه این پژوهش نشان می دهد که عملکرد ماشین بردار پشتیبان وزن دهی شده، در مورد مسئله پیش بینی روند قیمت سهام، به میزان قابل توجهی بهتر از ماشین بردار پشتیبان ساده است. علاوه براین، نتایج عملیاتی نشان می دهد که ماشین بردار پشتیبان وزن دهی شده همراه با انتخاب ویژگی هیبرید پیشنهادی، بالاترین میزان دقت پیش بینی را نسبت به سه روش انتخاب ویژگی دیگر دارد. براساس نتایج این پژوهش می توان ادعا کرد مدل VW-SVM همراه با انتخاب ویژگی F-SSFS عملکرد بهتری در پیش بینی قیمت سهم، نسبت به روش های موجود دارد. 2. Information Gain 3. Symmetrical uncertainty 4. Correlation based feature selection

از دیرباز، همواره ادعا شده که اطلاعات حسابداری مندرج در صورتهای مالی، یکی از منابع مهم اطلاعاتی سرمایه گذاران و سایر مشارکت کنندگان در بازار سرمایه است. از این رو، میتوان به طور منطقی انتظار داشت که اطلاعات حسابداری، نقش مؤثری را در ارزشگذاری قیمت سهام و نیز بازده سهام ایفا نمایند. از سوی دیگر دیدگاه مالی رفتاری نشان می دهد که برخی از تغییرات قیمت اوراق بهادار هیچ دلیل بنیادی ندارد و رفتار هیجانی سرمایه گذاران، نقش مهمی در تعیین قیمت ها ایفا می کند. تحقیق حاضر، به بررسی تاثیر گرایش احساسی سرمایه گذاران بر ارتباط ارزشی اطلاعات حسابداری می پردازد. قلمرو زمانی این تحقیق برای دوره 15 ساله از ابتدای سال 85 لغایت پایان سال 99 بوده و نمونه تحقیق شامل 97 شرکت پذیرفته شده در بورس اوراق بهادار تهران می باشد. نتایج پژوهش بیانگر آن است که در دوره هایی که گرایش احساسی سرمایه گذاران بالاست ارتباط سود با بازده و قیمت سهام قوی تر از دوره های احساسی (هیجانی) پایین می باشد. همچنین در دوره هایی که گرایش احساسی سرمایه گذاران پایین است، رابطه بازده و قیمت سهام با سایر متغیرهای حسابداری (ارزش دفتری مجموع دارایی های هر سهم، ارزش دفتری حقوق صاحبان سهام هر سهم، جریان نقدی عملیاتی هر سهم) قوی تر از زمانی است که هیجانات بازار بالا است.

پیشینه و اهداف: یکی از معیارهای تصمیم گیری برای سرمایه گذاری در یک شرکت بورسی، میزان یا تغییرات قیمت سهام آن شرکت در روزها و ماه های آتی است. روش های متعددی برای پیش بینی قیمت سهام و ریسک سرمایه گذاری در یک شرکت، مورد مطالعه قرار گرفته است. در اکثر این روش ها، قیمت سهام به عنوان یک متغیر پاسخ پیوسته پیش بینی شده است. برای این منظور، از مدل های سری زمانی استفاده می شود که در آنها پذیره هایی ازجمله نرمال بودن اغتشاش ها و یا خطی بودن مدل اهمیت دارد. هدف از این پژوهش، معرفی یک متغیر پاسخ دو رده ای براساس جهت حرکت قیمت سهم در روز آتی و معرفی چند روش رده بندی آماری برای پیش بینی آن است. این مدل ها، محدودیت های مدل های گذشته را ندارند و به همین دلیل مورد توجه هستند. پیاده سازی روش های مورد مطالعه و مقایسه دقت آنها در پیش بینی جهت حرکت قیمت سهام شرکت های بیمه بورسی هدف اصلی این مقاله است. روش شناسی: در پژوهش حاضر با استفاده از الگوریتم های K-نزدیک ترین همسایه ها، درخت تصمیم و جنگل تصادفی که در زمره روش های ناپارامتری رده بندی یادگیری آماری می باشند، به پیش بینی جهت حرکت قیمت سهام پرداخته ایم. داده های مورد استفاده در این تحقیق شامل اطلاعات قیمت سهام یکی از شرکت های بیمه در طی سال های 1390 تا 1400 است که سهم مناسب و بالایی در پرتفوی صنعت بیمه دارد. برای تعیین دقت مدل های مورد مطالعه، داده ها به صورت تصادفی به دو دسته آموزشی و آزمایشی تقسیم شدند. سپس مدل های یادگیری آماری روی داده های آموزشی اجرا و اعتبار آنها با استفاده از داده های آزمایشی سنجیده شد. یافته ها : نتایج تحقیق حاکی از دقت بالای هر سه مدل ناپارامتری در پیش بینی رده قیمت سهام شرکت بیمه مورد نظر است. همچنین در بین مدل های مورد مطالعه، الگوریتم K-نزدیک ترین همسایه ها نسبت به سایر الگوریتم ها در پیش بینی جهت حرکت قیمت سهام عملکرد بهتری از خود نشان داد. نتیجه گیری: با توجه به اهمیت ریسک سرمایه گذاری در یک شرکت بیمه برای مشتریان، یافتن مدل مناسب برای رده بندی قیمت سهام و مشخص نمودن متغیرهای مؤثر در افزایش یا کاهش قیمت، می تواند به مشتریان و شرکت های بیمه در تصمیم گیری بهتر کمک کند.