مقايسه قدرت پيش بيني الگوريتم كرم شب تاب، الگوريتم درخت تصميم و الگوريتم رگرسيون ماشين بردار پشتيبان جهت پيش بيني ريسك سيستماتيك

The Compare of Power Fire Flies Algorithm Prediction, Decision Making Tree Algorithm and the Support Vector Machine Regression Algorithm for Systematic Risk Predicti

يكي از مهمترين مباحث بازار سرمايه آگاهي از ميزان ريسك شركت ها به ويژه ريسك سيستماتيك است كه مي تواند بازده سهام شركت ها را تحت تاثير قرار داده و نقش به سزايي در تصميم گيري ايفا كند. در اين تحقيق، هدف پيش بيني ريسك سيستماتيك شركت هاي پذيرفته شده در بورس اوراق بهادار تهران با استفاده از نرم افزار شبكه عصبي مصنوعي و سه الگوريتم كرم شب تاب، الگوريتم درخت تصميم و الگوريتم رگرسيون ماشين بردار پشتيبان مي باشد. براي انجام اين تحقيق از نمونه اي شامل 92 شركت از شركت هاي پذيرفته شده در بورس اوراق بهادار تهران طي دوره زماني 1392 الي 1397 استفاده شده است. نتايج حاصل شده از آزمون فرضيه هاي تحقيق نشان داد كه قدرت پيش بيني ريسك سيستماتيك در الگوريتم كرم شب تاب نسبت به دو الگوريتم درخت تصميم و الگوريتم رگرسيون ماشين بردار پشتيبان بيشتر مي باشد و همچنين قدرت پيش بيني الگوريتم درخت تصميم نسبت به الگوريتم رگرسيون ماشين بردار پشتيبان به جهت پيش بيني ريسك سيستماتيك بالاتر مي باشد.

Financial and economic decisions are always at risk due to future uncertainties. Therefore, one of the ways to help investors is to provide investment risk forecasting patterns. The more predictions are closer to reality, the decisions made on the basis of such predictions will be correct. In this research, the goal of predicting the systematic risk of companies admitted to Tehran Stock Exchange using artificial neural network software and three night-worm algorithms, decision tree algorithm and backup vector machine regression algorithm. For this research, a sample of 92 companies from listed companies in Tehran Stock Exchange during the period 2013 to 2018 has been used. The results obtained from the research hypothesis test showed that the predictive power of systematic risk in the night cream algorithm is more than the decision tree algorithm and the support vector machine regression algorithm, as well as the predictive power of the decision tree algorithm in relation to the backup vector machine regression algorithm It is higher for systematic risk prediction