پیش بینی خطر سقوط قیمت سهام با استفاده از روش های فرا ابتکاری ( الگوریتم بهینه سازی حرکت تجمعی ذرات) و مقایسه با رگرسیون لوجستیک
محورهای موضوعی : مهندسی مالی
اسفندیار ملکیان
1
(عضو هیات علمی دانشگاه مازندران، مازندران،ایران.)
حسین فخاری
2
(دانشکده اقتصاد و امور اداری، دانشگاه مازندران، تهران، ایران)
جمال قاسمی
3
(عضو هیات علمی دانشگاه مازندران، مازندران،ایران)
سروه فرزاد
4
(دانشجوی دکتری حسابداری دانشگاه مازندران، مازندران،ایران.)
کلید واژه: الگوریتم ژنتیک, شبکه عصبی مصنوعی, الگوریتم حرکت تجمعی ذرات, خطرسقوط قیمت سهام,
چکیده مقاله :
ریسک سقوط قیمت سهام ریسکی است که نشان می دهد تا چه اندازه قیمت سهام خاص درمعرض خطر سقوط قرار دارد. بر همین اساس هدف این پژوهش، مدل بندی پیش بینی خطر سقوط قیمت سهام شرکتهای پذیرفته شده در بورس اوراق بهادار تهران، با استفاده از الگوریتم بهینه سازی حرکت تجمعی ذرات بر مبنای مدل چند متغیره و مقایسه نتایج با رگرسیون لوجستیک می باشد. بدین منظوریک فرضیه برای بررسی این موضوع تدوین و داده های مربوط به 106 شرکت عضو بورس اوراق بهادار تهران برای دوره ی زمانی بین سال های 1389تا 1393 مورد تجزیه و تحلیل قرار گرفت. ابتدا 14 متغیر مستقل به عنوان ورودی الگوریتم ترکیبی ژنتیک و شبکه عصبی مصنوعی که به عنوان یک روش انتخاب ویژگی در نظر گرفته شده است، وارد مدل گردید و 7 متغیر بهینه انتخاب شد سپس با استفاده از الگوریتم تجمعی ذرات و رگرسیون لجستیک اقدام به پیش بینی خطر سقوط قیمت سهام می نماییم. یافته های پژوهش نشان می دهد که الگوریتم تجمع ذرات نسبت به روش سنتی رگرسیون لجستیک توانایی بیشتری در پیش بینی خطر سقوط قیمت سهام دارد، بنابراین فرضیه پژوهش تایید می شود.
The Crash, which indicates how much specific stock prices are at risk of collapse. Accordingly, the purpose of this research is to model the risk of falling stock price of listed companies in Tehran Stock Exchange using a multivariate optimization algorithm for particle cumulative movement and comparing results with logistic regression. For this purpose, a hypothesis was developed for the study of this issue and the data for 106 members of the Tehran Stock Exchange for the period of 2010-2010 were analyzed. First, 14 independent variables were introduced as inputs of the combined genetic algorithm and artificial neural network, which was considered as a feature selection method, and 7 optimal variables were selected. Then, using particle cumulative algorithm and logistic regression, predicted The risk of falling stock prices. The stock price collapse criterion has been used to calculate the risk of falling stock prices. The research findings show that the particle agglomeration algorithm is more likely than traditional logistic regression to predict the risk of falling stock prices. These findings underscore the need for managers to use meta-metric methods for forecasting.
_||_