پیش بینی بهینه بازده کوتاه مدت عرضه‌های اولیه با استفاده از الگوریتم‌های خفاش و جنگل تصادفی

محورهای موضوعی : دانش سرمایه‌گذاری

حسین رستمخانی ¹ , بهروز خدارحمی ² , آزیتا جهانشاد ³

1 - گروه حسابداری، دانشگاه آزاد اسلامی، واحد بین المللی کیش، جزیره کیش، ایران.
2 - دانشگاه تربیت مدرس، تهران، ایران .
3 - گروه حسابداری، دانشگاه آزاد اسلامی، واحد تهران مرکزی، تهران، ایران.

تاریخ دریافت : 1400/02/11 تاریخ پذیرش : 1400/04/20 تاریخ انتشار : 1402/01/01

کلید واژه: الگورتیم خفاش, سهام عرضه اولیه, الگوریتم جنگل تصادفی, بازده کوتاه مدت,

چکیده مقاله :

هدف این پژوهش، پیش‌بینی بازده کوتاه مدت سهام در عرضه‌های اولیه با استفاده از الگوریتم‌های خفاش و جنگل تصادفی می-باشد. در این تحقیق، شرکتهایی که طی بازه زمانی1394 تا1399 برای اولین بار در فرابورس ایران عرضه شده‌اند به عنوان نمونه آماری انتخاب شدند. برای تجزیه وتحلیل داده‌ها از نرم‌افزار MATLAB استفاده گردید. برای آزمون فرضیه‌ها دو سناریو طرح گردید. سناریوی اول بصورت سالانه و سناریوی دوم بصورت6ساله در نظر گرفته شد. داد‌ه‌های مالی با 11 عامل: بازده کوتاه مدت بازار، بازده کوتاه مدت سهام جدید، تمایلات بازار، سن شرکت، اندازه شرکت، فروش سالانه ، بازده دارایی، بازده حقوق صاحبان سهام، قیمت انتشار سهام عرضه اولیه، سود عملیاتی، گردش نقدی از عملیات به عنوان عوامل تاثیرگذار و بازده مازاد سهم عرضه شده نسبت به بازار عامل تاثیرپذیر به‌عنوان پیش فرض‌های ورودی برای پیش‌بینی مقدار بهینه، وارد الگوریتم‌ها شدند. نتایج بدست آمده از الگوریتم خفاش حاکی از آن است که الگوریتم خفاش توانسته در هردو سناریو عملکرد بهتری در پیش‌بینی بازده کوتاه مدت سهام در عرضه‌های اولیه ارائه دهد و تفاوت چندانی ندارد. درحالی‌که نتایج دقت در پیش‌بینی الگوریتم جنگل تصادفی در سناریوی دوم به نسبت سناریوی اول حدود12 درصد افزایش یافته است. دلیل این تفاوت می‌تواند ناشی از بزرگ بودن فضای جستجو و کوتاه بودن طول زمانی‌داده‌ها برای الگوریتم جنگل تصادفی عنوان نمود. می‌توان نتیجه گرفت بکارگیری الگوریتم‌های نوپای خفاش وجنگل تصادفی در پیش‌بینی بازده کوتاه‌مدت سهام در عرضه‌های اولیه می‌تواند سرمایه‌گذاران را در پیش‌بینی بازده حداکثری و انتخاب بهنرین سهام براساس الگویی دقیق و با دقت بالا یاری نماید.

چکیده انگلیسی:

The purpose of this study is to predict short-term stock returns in initial public offerings using random bat and forest algorithms. In this study, companies that were listed on the OTC market of Iran for the first time during the period 1394 to 1399 were selected as a statistical sample. MATLAB software was used to analyze the data. Two scenarios were proposed to test the hypotheses. The first scenario was considered as annual and the second scenario as 6 years. Financial data with 11 factors: short-term market return, short-term return on new stock, market trends, company age, company size, annual sales, return on assets, return on equity, initial public offering price, operating profit, Cash flow from operations as influential factors and excess return of the offered share relative to the influential operating market entered the algorithms as input assumptions to predict the optimal amount. The results obtained from the bat algorithm indicate that the bat algorithm was able to provide better performance in predicting short-term stock returns in initial public offering in both scenarios and is not much different. While the results of accuracy in predicting the random forest algorithm in the second scenario compared to the first scenario has increased by about 12%. It can be concluded that the use of emerging bat and jungle algorithms in predicting short-term returns can help investors in predicting maximum returns and selecting the best stocks based on a precise and accurate pattern.

منابع و مأخذ:

• اسماعیلی، زهرا؛ عباسی، ابراهیم؛ فلاح، میرفیض (1397). پیش بینی عملکرد کوتاه مدت عرضه عمومی اولیه سهام با استفاده از مدل‌های نزدیکترین همسایگی و ماشین بردار پشتیبان. چشم انداز مدیریت مالی و حسابداری.


• ابراهیم­خانی، سمیه، افضلی، مهدی، شکوهی، علی. (1390). پیش بینی و بررسی عوامل تصادفات جاده­ای با استفاده از الگوریتم‌های داده کاوی، فصلنامه دانش انتظامی زنجان.


• تهرانی، رضا، رهنما، روح الله.(1387). تجزیه و تحلیل صورت های مالی. چاپ اول، تهران، نگاه دانش.


• خداپرستی، صابر، زمانیان، غلامرضا، سنگینیان، علی. (1393). عوامل موثر بر بازده کوتاه­مدت و بلندمدت سهام عرضه شده در عرضه­های اولیه در بورس اوراق بهادار تهران. مجله پژوهش­های تجربی حسابداری، صص179-200.


• حسنلو، خدیجه، روستائی، مریم. (1394). پیش بینی قیمت سهم با رویکرد سیستم شبکه عصبی خفاش(مطالعه موردی بورس اوراق بهادار تهران). غیر دولتی، مؤسسه‌های آموزش عالی غیردولتی‌ـ‌ غیرانتفاعی، دانشگاه غیر دولتی غیر انتفاعی خاتم، دانشکده مهندسی .


• ذبیحی، محسن، پورقاسمی، حمیدرضا، بهزادفر، مرتضی. (1394). تهیۀ نقشۀ پتانسیل آب زیرزمینی با استفاده از مدل های انتروپی و جنگل تصادفی در دشت بجنورد. مجله اکوهیدرولوژی، صص232-221.


• رضایی، وحید، راحتی، وحید. (1393). ترکیب الگوریتم ژنتیک و بهینه سازی ازدحام ذرات برای حل مسائل بهینه سازی پیوسته. اولین کنفرانس ملی ریاضیات تبریز.کارشناسی ارشد علوم کامپیوتر،دانشکده ریاضی سیستان و بلوچستان.


• سینایی، حسنعلی، زمانی، سعید، مهرابی، علی (1393). تصمیم گیری برای انتخاب سبد سهام؛ مقایسه‌ی الگوریتم‌های ژنتیک و زنبور عسل. پژوهشنامه مدیریت اجرایی 11. 83.


• غلامیان، الهام، داودی، سید محمدرضا. (1397). پیش­بینی روند قیمت در بازار سهام با استفاده از الگوریتم جنگل تصادفی. مهندسی مالی و مدیریت اوراق بهادار.


• مهرابی، علی، حسنعلی سینایی، عبدالحسین، نیسی، نصرت، حسین زاده، هلاله. (1394). بهینه سازی پرتفوی سهام با الگوریتم تپه نوردی. دولتی، وزارت علوم، تحقیقات، و فناوری، دانشگاه شهید چمران اهواز، دانشکده اقتصاد و علوم اجتماعی.


• نادری، محسن، ترابی، رضوان. (۱۳۹۵). بررسی عوامل موثر بر بازدهی عرضه اولیه شرکت‌های پذیرفته شده در بورس اوراق بهادار تهران. سومین کنفرانس بین المللی مدیریت و اقتصاد، تربت حیدریه، دانشگاه تربیت حیدریه.


• نجوی زاده، حمید، مسلمی، آذر، بهرامسری، بهروز. (1395). بازده بازار قبل از عرضه اولیه سهام تاثیر آن بر بازده عرضه اولیه سهام. کنفرانس بین المللی اقتصاد، مدیریت، روانشناسی، قم، دانشگاه علمی کاربردی استانداری قم.


• نمازی، محمد، صادق زاده مهارلوئی، محمد. (1396). پیش بینی فرار مالیاتی با استفاده از الگوریتم‌های داده کاوی درخت تصمیم. حسابداری مالی . 76-101.


• BabaGüvenSevil.(2019). Predicting IPO initial returns using random forest, Borsa Istanbul Review, Available online 21 August.


• Cai, X., Zhang, J., Liang, H., Wang, L., & Wu, Q.(2019) An ensemble bat algorithm for large-scale optimization. International Journal of Machine Learning and Cybernetics, 10(11),pp 3099-3113.


• Jevšenak, J., & Skudnik, M. (2020). A random forest model for basal area increment predictions from national forest inventory data. Forest Ecology and Management, 479, 118601.


• Leong, M. S. W., & Sundarasen, S. D. (2015). Ipo Initial Returns and Volatility: A Study in an Emerging Market. The International Journal of Business and Finance Research, 9(3), 71.


• Najafi Moghadam,Ali; RahnamaRoodpooshti,Fraydoon;Farrokhi,Mahvash.(2014).Optimization of Stock Portfolio based of Ant Colony & Greay Theory. IRJABS,VOL 8(7).780-788.


• Quintana, D., Y. Saez, and P. Isasi. (2017). Random Forest Prediction of IPO Underpricing. Applied Sciences, 7(6):636.


• Pan, S. Zhou. (2019). Evaluation Research of Credit Risk on P2P Lending based on Random Forest and Visual Graph Model, J. Vis. Commun. Image R. doi: https://doi.org/10.1016/j.jvcir. 2019.102680.


• Waelchli, Boris,(2015). A Random Forests Based Performance Ratio for Regulatory Asset Portfolio Management and Optimization (November 4, 2015). AvailableatSSRN:https://ssrn.com/abstract=2550072 or http://dx.doi.org/10.2139/ssrn.2550072.


• Wang, Y., Wang, P., Zhang, J., Cui, Z., Cai, X., Zhang, W., & Chen, J. (2019). A novel bat algorithm with multiple strategies coupling for numerical optimization. Mathematics, 7(2), 135.


• Wang, Y., Shu-Tao, X., Qingtao, T. (2018). A Novel Consistent Random Forest Framework: Bernoulli Random Forests, IEEE Transactions on Neural Networks and Learning Systems, Vol 29, Issue: 8, pp. 3510 – 3523.


• Xing Yu.(2017). Multi-period Robust Portfolio Selection Model with Bat Algorithm, International Journal of Control and Automation , Vol. 10, No. 5 (2017), pp.23-28.


• Yildizdan, G., & Baykan, Ö. K.(2020). A novel modified bat algorithm hybridizing by differential evolution algorithm. Expert Systems with Applications, 141, 112949.