بررسي مولفه‌هاي تاثيرگذار بر پيش‌بيني سود نقدي سهام با استفاده از مدل‌هاي تركيبي: مورد صنعت شيميايي

Examination of Variables Affecting Dividend Forecast Using Hybrid Models of PSO-LARS and PSO-SVR Algorithms

از آنجا كه پيش‌بيني سود نقدي شركت‌ها يكي از منابع اطلاعاتي با ارزش براي سرمايه‌گذاران و ديگر افراد ذينفع است، پژوهش حاضر تلاش مي‌كند مدل‌هايي براي پيش‌بيني متغيرهاي تاثيرگذار بر سود نقدي سهام پيشنهاد كند. براي اين كار از اطلاعات شركت‌هاي شيميايي پذيرفته شده در بورس تهران بين سال‌هاي 1385 تا 1389 استفاده شده است. متغيرهاي مستقل اين تحقيق نسبت‌هاي حسابداري و متغير وابسته سود نقدي سهام است. چارچوب مدل، تركيبي از الگوريتم‌هاي PSO-SVR و PSO-LARS است. الگوريتم PSO، تركيب بهينه‌اي از متغيرها كه بر پيش‌بيني سود نقدي تاثير گذارند را شناسايي مي‌كند. سپس داده‌هاي مربوط به متغيرهاي انتخاب شده توسط PSO به طور جداگانه به الگوريتم‌هاي SVR و LARS وارد مي‌شوند و اين الگوريتم‌ها را آموزش مي‌دهند. در ادامه الگوريتم‌هاي SVR و LARS با داده‌هاي ارزيابي آزموده مي‌شوند و به اين ترتيب مي‌توان خطاي پيش‌بيني را اندازه گيري و روش‌ها را با هم مقايسه كرد. نتايج اين پژوهش نشان مي‌دهد تركيب الگوريتم PSO با الگوريتم SVR يا تركيب PSO-LARS در مقايسه با استفاده از الگوريتم‌هاي LARS و SVR به تنهايي مي‌تواند پيش‌بيني بهتري از عوامل تاثيرگذار مورد نظر داشته باشد. ضمن اين كه در مقايسه دو روش تركيبي PSO-LARS و PSO-SVR، خطاي پيش‌بيني PSO-SVR كمتر است.

Since one of the most important sources of information for investors and other beneficial is dividends forecast, this study tries to find models for predicting variables effective on dividend. To do this, information from chemical companies listed in Tehran Stock Exchange during the years 2006 to 2010 are used. The independent variables are accounting ratios and the dependent variable is dividend. The model framework is a combination of PSO-SVR and PSO-LARS algorithms. PSO algorithm identifies optimal combination of variables that influence the anticipated dividends. Then the data related to the variables selected by PSO are entered in to the SVR and LARS algorithms separately and train the algorithms. Then the algorithms are tested with evaluation data. Thus the prediction errors can be measured and the methods be compared. The research results show that combining PSO algorithm with LARS or SVR algorithm, as compared to using only SVR and LARS, can provide a better predict of considered affecting factors. Comparing the two combination methods, PSO-LARS and PSO-SVR, PSO-SVR shows that prediction error is less.