پيش بيني ارتباط بين بازده سهام و عدم تقارن اطلاعاتي با استفاده از شبكه-هاي عصبي مصنوعي

Predict the relationship between stock returns and information asymmetry using artificial neural networks

با توجه به اهميت بازده در مطالعات سرمايه گذاري، برآورد رابطه ي آن با عدم تقارن اطلاعاتي از مسايل مهم و ضروري است. تغييرات زماني بازده، عدم كفايت مطالعات صورت گرفته و وجود عوامل تاثيرگذار بر ميزان بازده سهام باعث توسعه ي روش هاي نوين و هوشمند در تخمين و برآورد بازده سهام شركت هاي بورسي شده است. هدف از اين تحقيق پيش بيني بازده سهام با استفاده از عدم تقارن اطلاعاتي با رويكرد شبكه هاي عصبي مصنوعي است. متغير مستقل در اين تحقيق عدم تقارن اطلاعاتي و متغير وابسته بازده سهام بوده است. به همين منظور، متغيرهاي مربوط براي 100 شركت بورسي و به مدت 6 سال گرد آوري شده است. خروجي هاي حاصل از تخمين شبكه هاي عصبي مصنوعي و نتايج حاصل از تخمين با استفاده از اين روش، با معيارهاي ارزيابي (99/0=R، 064/0= MSEو 21/0=MAE) بوده است. با در نظر گرفتن مقدار تصادفي (50 درصد) و مقايسه آن با 99/0=R، ارتباط معنادار بين متغير عدم تقارن اطلاعاتي و بازده سهام مشاهده مي شود. همچنين، شبكه مزبور داراي كمترين خطا (064/0= MSEو 21/0=MAE) نسبت به ديگر شبكه هاي طراحي شده است.

Given the importance of return on investment studies to estimate the relationship between information asymmetry and return is an important issue. Changes in efficiency, inadequacy studies, and existence of effective factors are cause of development new and intelligent methods to estimate the stock return of companies. The aim of this study is to predict stock returns using information asymmetry with an artificial neural network approach. The independent variable in this study is information asymmetry and stock return is the dependent variable. Therefore, the variables for the 100 companies in the stock exchange and has been collecting for 6 years. Estimated output of artificial neural networks and the results of the estimation using this approach, with evaluation criteria is (R2= 0.99, MSE= 0.064 and MAE= 0.21). Considering the random value (50%) compared with R2= 0.99, correlation between information asymmetry and stock return are observed. Also, the designed network has the least error (MSE = 0.064 and MAE= 0.21) than the other networks.