الگوسازي و پيش بيني قيمت سهام شركت هاي صنايع دارويي و شيميايي پذيرفته شده در بورس اوراق بهادار تهران با استفاده از الگوها و روش هاي نوين

Modelling and Predicting the Stock Price of the Pharmaceutical and Chemical Companies Listed on the Stock Exchange via New Methods and Models

مقدمه: در اين پژوهش از الگوي اقتصادسنجي و شبكه عصبي پايه شعاعي براي افزايش اثربخشي، كاهش هزينه و زمان روش تحليل بنيادي در پيش بيني قيمت سهام شركت هاي صنايع مواد و محصولات دارويي، محصولات شيميايي و وسايل اندازه گيري پزشكي و اپتيكي استفاده شده است. روش پژوهش: پژوهش حاضر كاربردي و طرح آن از نوع شبه تجربي است. جامعه آماري اين پژوهش متشكل از 30 شركت پذيرفته شده در بورس اوراق بهادار تهران در بازه زماني 1390-1384 است. ساخت الگو و تجزيه و تحليل داده ها با استفاده از نرم افزار Eviews نسخه 7 و Clementine نسخه 12 انجام شده است. يافته ها: نتايج پژوهش نشان دهنده آن است كه الگوي انتخابي شامل PC1 (جمع دارايي هاي جاري و جمع بدهي ها)، PC2 (نسبت جاري، نسبت آني، نسبت گردش دارايي هاي ثابت مشهود، حاشيه سود ناخالص، حاشيه سود عملياتي و حاشيه سود خالص)، بازده سهام و سود هر سهم قدرت توضيح دهندگي بالايي براي پيش بيني قيمت سهام دارد. نتيجه گيري: شبكه عصبي در پيش بيني قيمت سهام از دقت خوبي برخوردار است. هم چنين، مقايسه دقت دو الگو بيانگر دقت بيش تر شبكه عصبي پايه شعاعي نسبت به الگوي اقتصادسنجي داده هاي تابلويي در پيش بيني قيمت سهام است.

Introduction: In this research, econometrics and Radial Base Function neural networks have been used to increase the effectiveness, decrease time and costs for predicting the stock price of the material industries and pharmaceutical products, and the medical and optical measuring instruments companies by the method of fundamental analysis. Method: The current research is an applied one and it has a quasi-empirical design. The statistical population of the research consist of 30 companies listed on the Tehran Stock Exchange from 2005 to 2011. Designing the model and analyzing data have been done through Eviews Software Version 7, and Clementine Version 12. Results: The results of the research indicate that the selected model includes PC1 (the sum of current assets, and the sum of liabilities), PC2 (current ratio, quick ratio, the ratio of tangible fixed assets turnover, gross profit margin, operational profit margin, and net profit margin), return on equity and earnings per share has a high explanatory ability to predict the stock price. Conclusion: Neural network has a good accuracy in predicting the stock price. Moreover, the comparison of these two models state that the Radial Base Function neural network is more accurate than the model of econometrics of panel data in predicting the stock price.