بررسی دقت ماشین‌های یادگیر در پیش‌بینی بازده حاصل از تغییر قیمت سهام با استفاده از مدل رافست، نزدیک‌ترین همسایه و درخت تصمیم‌گیری.
محورهای موضوعی : مهندسی مالیمحمدرضا کریمی پویا 1 , مهرداد قنبری 2 , بابک جمشیدی نوید 3 , منصور اسماعیل پور 4
1 - دانشجوی دکترای حسابداری، دانشکده علوم انسانی، واحد کرمانشاه، دانشگاه آزاد اسلامی، کرمانشاه، ایران
2 - استادیار گروه حسابداری، دانشکده علوم انسانی، واحد کرمانشاه، دانشگاه آزاد اسلامی، کرمانشاه، ایران
3 - استادیار گروه حسابداری، دانشکده علوم انسانی، واحد کرمانشاه، دانشگاه آزاد اسلامی، کرمانشاه، ایران
4 - استادیار گروه کامپیوتر، دانشکده فنی مهندسی، واحد همدان، دانشگاه آزاد اسلامی، همدان، ایران
کلید واژه: درخت تصمیم, نزدیک ترین همسایه, تخمین( پیش بینی), رافست, بازده آتی سهام,
چکیده مقاله :
پیش‌بینی یکی از مولفه‌های مهم و ضروری در برنامه‌ریزی‌های کوتاه‌مدت و میان‌مدت در هر کسب و‌کاری است. یک پیش‌بینی دقیق می‌تواند در کسب بازده، مدیریت جریان‌های نقدی و تخصیص منابع نقش موثری داشته باشد و به سرمایه گذار این امکان را می‌دهد که در یک بازه زمانی مشخص حدود درآمد کسب‌و‌کار و بازده خود را تخمین بزند. محققان در این اندیشه اند که روش های قدیمی، هزینه بر و زمان بر را کنار گذاشته و روش هایی جدید همچون استفاده از ماشین های یادگیر را پیاده سازی نمایند. این پژوهش از نظر نوع پژوهش، تحلیلی-تجربی، از نظر طرح پژوهش، پس رویدادادی، از نظر هدف، کاربردی، از نظر منطق اجرا، قیاسی و از نظر زمان انجام، طولی و از نوع آینده نگر می باشد. در این پژوهش، از الگوی الگوریتم نزدیک ترین همسایه، روش رافست و درخت تصمیم گیری برای بهبود قدرت پیش بینی، کاهش هزینه و زمان پیش بینی بازده سهام استفاده شده است. بدین منظور نمونه ای متشکل از 113شرکت موجود در بورس اوراق بهادار تهران در طی یک دوره 10 ساله ( 1394- 1385) از شرکت های پذیرفته شده در بورس اوراق بهادار تهران انتخاب شده است نتایج پژوهش نشان داد که تمام فرضیه های این پژوهش مبنی بر وجود تفاوت در دقت تخمین این مدل‌ها در پیش‌بینی سه متغیر وابسته می باشند.
Prediction is an essential component of short and medium term planning in any business. A precise prediction can be effective in generating returns, managing cash flows, and allocating resources, enabling an investor to estimate, within a given time frame, its business revenue and its returns. Researchers have the idea to set aside old methods, which takes expense and time, and implement new methods such as the use of learning machines. This research is of the type of research, analytical-empirical, in terms of research design, post-event, in terms of purpose, applied, in terms of implementation logic, deductive and in terms of time, longitudinal and prospective type. In this research, the algorithm model of the nearest neighbor, the Rough method and the decision tree are used to improve predictive power, cost reduction, and time prediction of stock returns. For this purpose, a sample of 113 listed companies in the Tehran Stock Exchange during a 10-year period (2006-2015) was selected from the companies listed in the Tehran Stock Exchange. The results of the research showed that all the hypotheses of this research are based on a difference in the accuracy of estimating these models in the prediction of the three dependent variables.
_||_