پديد آورندگان :
رستمخاني، حسين دانشگاه آزاد اسلامي واحد بين المللي كيش - گروه حسابداري، كيش، ايران , خدارحمي، بهروز دانشگاه تربيت مدرس - گروه حسابداري، تهران، ايران , جهانشاد، آزيتا دانشگاه آزاد اسلامي واحد تهران مركزي - گروه حسابداري، تهران، ايران
چكيده فارسي :
هدف اين تحقيق انتخاب بهينه سهام با استفاده از الگوريتم خفاش و جنگل تصادفي است. در اين پژوهش براساس تحليل6 متغير: نسبت قيمت سهام بر سود هر سهم، نرخ رشد سود سالانه، نرخ رشد فروش سالانه، بازده دارايي‌ها، بازده حقوق صاحبان سهام و سهام شناور آزاد استخراج شده از 181 شركت پذيرفته شده بورس اوراق بهادار تهران، در طي دوره زماني 1394 تا 1398 استفاده شده است. 6 سناريو به منظور برآورد دقت دو الگوريتم در نظر گرفته شده است به طوريكه براي سناريوهاي 1 تا 6 از الگوريتم‌ها خواسته شده است تا به ترتيب 5، 10، 15، 20، 25 و 30 شركت پيدا كند. نتايج نشان مي‌دهد كه ماهيت الگوريتم جنگل تصادفي نياز به آموزش و انتخاب ويژگي‌ها دارد كه باعث مي‌شود سرعت الگوريتم پايين‌تر باشد و زمان همگرايي را بالا مي‌برد. يكي از علت اساسي دقت بالا‌تر الگوريتم جنگل تصادفي در سناريوهاي 1 تا 3 اين مورد مي‌تواند باشد. در سناريوها 4 تا 6 به علت افزايش پيچيدگي مساله دقت الگوريتم جنگل تصادفي كاهش پيدا مي‌كند ولي به دليل ماهيت تصادفي بودن الگوريتم خفاش دقت آن تفاوت چنداني ندارد و مي‌تواند پايداري در انتخاب خود را حفظ نمايد.
چكيده لاتين :
The purpose of this study is to optimally select stocks using the bat and random forest algorithm. In this study, based on the analysis of 6 variables: stock price to earnings per share ratio, annual earnings growth rate, annual sales growth rate, return on assets, return on equity and free float shares extracted from 181 companies listed on the Tehran Stock Exchange, It has been used during the period of 1394 to 1398. Six scenarios are considered to estimate the accuracy of the two algorithms, so that for scenarios 1 to 6, the algorithms are asked to participate 5, 10, 15, 20, 25 and 30, respectively. The results show that the nature of the random forest algorithm requires training and selection of features, which makes the algorithm faster and increases the convergence time. One of the main reasons for the higher accuracy of the random forest algorithm in scenarios 1 to 3 could be this. In scenarios 4 to 6, due to the increasing complexity of the problem, the accuracy of the random forest algorithm decreases, but due to the random nature of the bat algorithm, its accuracy does not differ much and it can maintain stability in its selection.
