عنوان مقاله :
پيش بيني شوك منفي قيمت سهام مبتني بر رويكرد فراابتكاري
عنوان به زبان ديگر :
Predicting negative stock price shocks based on the Meta heuristic approach
پديد آورندگان :
فدايي، ابراهيم دانشگاه آزاد اسلامي واحد بابل، بابل، ايران , داداشي،ايمان دانشگاه آزاد اسلامي واحد بابل - گروه حسابداري، بابل، ايران , زارع بهنميري، محمدجواد دانشگاه قم، - دانشكده مديريت - گروه حسابداري، قم، ايران , آذين فر، كاوه دانشگاه آزاد اسلامي واحد بابل - گروه حسابداري، بابل، ايران
كليدواژه :
شوك منفي قيمت سهام , رويكرد فراابتكاري , بهينه سازي ازدحام ذرات , الگوريتم ژنتيك
چكيده فارسي :
هدف اين مطالعه، بررسي پيش بيني شوك منفي قيمت سهام مبتني بر رويكرد فراابتكاري ميباشد. در اين پژوهش براساس داده هاي مرتبط با 96 نسبت مالي 140 شركت پذيرفتهشده در بورس اوراق بهادار تهران طي دوره زماني 9 ساله بين سال هاي 97-1389 اقدام به پيش بيني شوك منفي قيمت سهام مبتني بر رويكرد فراابتكاري نموده ايم. در اين تحقيق به منظور استخراج نسبتهاي مالي بهينه، از الگوريتم هاي ژنتيك و بهينه سازي ازدحام ذرات استفاده شده كه در نهايت 8 نسبت مالي اثرگذار براي پيش بيني شوك ها (موقت و دايم) و تعداد آنها در طي يك سال انتخاب شدند. در ادامه مدل پيشنهادي با استفاده از اين ويژگي هاي موثر استخراج شده، توسط ماشين بردار پشتيبان با هسته شعاعي و شبكه عصبي مصنوعي آزمون شده است. نتايج حاكي از آن بود كه متغيرهاي استخراجي از الگوريتم بهينه سازي ازدحام ذرات، به همراه الگوريتم يادگيري ماشين بردار پشتيبان، نتيجه بهتري را براي پيش بيني شوك ها (موقت و دايم) و تعداد آنها دارا هستند.
چكيده لاتين :
According to capital market research, the negative shock of stock price in any market is a function of environmental factors and specific characteristics of the company and any insight into how to describe and predict the shock can influence the decisions of investors and stakeholders. In this study, based on the data related to 96 financial ratios of 140 companies listed on the Tehran Stock Exchange during a period of 9 years between 2010 and 3012, we have predicted a negative shock of stock price based on the meta-heuristic approach. In this research, in order to extract the optimal financial ratios, genetic algorithms and particle swarm optimization have been used. The proposed model is then tested using these extracted features by a support vector machine with a radial core and an artificial neural network. The results showed that the variables extracted from the particle swarm optimization algorithm, together with the support vector machine learning algorithm, create better results for predicting shocks (temporary and permanent) and their number.
عنوان نشريه :
دانش مالي تحليل اوراق بهادار
