بررسي مقايسه اي دقت پيش بيني مدل هاي ماشين بردار پشتيبان، شبكه بيزين و سي فايو در پيش-بيني قيمت گذاري كمتر از واقع شركت هاي پذيرفته شده در بورس اوراق بهادار و فرابورس

The comparative study of the accuracy of prediction of Support Vector Machine, Bayesian Network and C5 models in prediction underpricing for listed companies at TSE and OTC

پژوهش هاي پيشين در زمينه عملكرد كوتاه مدت عرضه عمومي اوليه، بيانگر اين واقعيت است كه سهام تازه عرضه شده در كوتاه مدت، عملكرد بهتري نسبت به بازار دارد. مدل هاي آماري توانسته اند پيش بيني هاي خوبي در مورد عملكرد اين گونه سهام ارايه دهند ولي مفروضات محدودكننده برخي از اين مدل ها بر اثربخشي شان موثر بوده است. بنابراين، روش هاي ديگري براي مقابله با اين محدوديت ها و بهبود پيش بيني ها معرفي شدند. از آن جايي كه عرضه عمومي اوليه موضوع بااهميتي در بازار سرمايه است، در اين پژوهش به بررسي مدل هاي طبقه بندي مختلف براي دست يابي به مدلي كه از كارايي و دقت بالايي در پيش بيني قيمت گذاري كمتر از واقع سهام عرضه عمومي اوليه برخوردار است، پرداخته شد. به منظور دست يابي به اين هدف، 84 شركت بورسي و 54 شركت فرابورسي طي سال هاي 1382 تا 1396 به روش حذف سيستماتيك جهت تحليل در نظر گرفته شد. نتايج نشان داد كه مدل هاي ماشين بردار پشتيبان، شبكه بيزين و سي فايو از دقت بالايي در پيش بيني قيمت گذاري كمتر از واقع برخوردارند. همچنين نتايج نشان داد كه متغيرهاي مهم تاثيرگذار شامل رشد دارايي ها، دوره تصدي حسابرس، تخصص حسابرس در صنعت، نسبت فعاليت هاي تامين مالي، نسبت قيمت به سود هرسهم، بازده دارايي ها، نسبت فعاليت هاي عملياتي، اندازه موسسه حسابرسي، فرصت هاي رشد و نوسانات قيمت سهام هستند.

Previous research into the short-term performance of the initial public offering reflects the fact that short-term stocks perform better than the market in the short run. Statistical models have been able to make good predictions about the performance of new stocks, but the limiting assumptions of some of these models have been effective! So, other ways to deal with these limitations and improve forecasting performance were introduced. Since initial public offering is an important issue in the capital market, in this study, we investigate different classification models to achieve a model that has high efficiency and accuracy in predicting underpricing of initial public offering (IPO) stocks. To achieve the research goal, systematic elimination sampling method is considered to select 84 companies among all listed companies at Tehran Stock Exchange (TSE) and 54 companies among all listed companies at Over the Counter (OTC) from 2003 to 2017. The results showed that support vector machine (SVM), Bayesian Network and C5 decision tree models are highly accurate in predicting underpricing. The results also showed that the influential variables included assets growth, auditor tenure, auditor specialty in the industry, financing ratio, P/E, CFO ratio, ROA, stock price fluctuate, growth opportunity and audit firm size.