پیش ‏بینی ارزش شرکت مبتنی بر روش‏های یادگیری عمیق

الموضوعات :

سیده مریم بابانژاد باقری ¹ (گروه حسابداری، واحد قائمشهر ، دانشگاه آزاد اسلامی، قائمشهر، ایران)
عباسعلی پورآقاجان ² (گروه حسابداری، واحد قائمشهر ، دانشگاه آزاد اسلامی، قائمشهر، ایران)
محمد مهدی عباسیان ³ (گروه حسابداری، واحد قائمشهر ، دانشگاه آزاد اسلامی، قائمشهر، ایران)

تاريخ الإرسال : 29 الإثنين , ذو الحجة, 1444 تاريخ التأكيد : 15 الخميس , صفر, 1445 تاريخ الإصدار : 08 السبت , ربيع الأول, 1445

الکلمات المفتاحية: G17, G33, واژه‌های کلیدی: ارزش شرکت, نسبت مالی, حاکمیت شرکتی, اقتصاد کلان, بازار سهام, یادگیری عمیق. طبقه بندی JEL : G02,

ملخص المقالة :

چکیده پیش بینی و درک روشن از رفتار یک پدیده نقش عمده ای در اتخاذ راهبردها و تصمیم گیری ها دارد. توسعه همه جانبه و تعمیق بازار سرمایه به عنوان موتور محرکه توسعه اقتصادی، نیازمند اعتماد عمومی مشارکت کنندگان به کارایی و درستی آن در تعیین قیمت عادلانه اوراق بهادار است. از سوی دیگر، پیش بینی ارزش شرکت، نوسانات قیمت یا بازدهی سهام اهمیت زیادی در انتخاب پرتفوی، مدیریت دارایی‌ها و حتی قیمت گذاری سهام شرکت‌هایی که تازه وارد بورس می‌شوند، دارد. در این پژوهش با استفاده از داده های 159 شرکت طی دوره زمانی 10 ساله شامل 1399-1390 و عوامل موثر بر ارزش شرکت شامل نسبت های مالی، سازوکارهای راهبری شرکتی، عوامل اقتصاد کلان و بازار سهام اقدام به پیش بینی ارزش شرکت شده است. در این پژوهش از دو ساختار روش یادگیری عمیق شامل GRU و BLSTM جهت ارزیابی بهتر استفاده می شود. نتایج حاصل از بررسی داده های گردآوری شده با استفاده از تکنیک های یادگیری عمیق، بیانگر آن بود که مدل ترکیبی با مقدار خطای RMSE کمتری نسبت به مدل GRU ارزش شرکت را پیش بینی کرده است

المصادر:

فهرست منابع

• افضلیان بروجنی، سیده الناز(1400)، ارزیابی پیش بینی قیمت سهام در ایران با استفاده از روش های غیر خطی «مقاله مروری»،سومین همایش مالی ایران: محور اصلی آینده پژوهی صنعت مالی،تهران.


• آسیابی اقدم, لیلا, رحیم زاده, اشکان، رجائی, یداله. (1401). اثر متغیرهای اقتصادی بر رفتار قیمت سهام شرکتهای پذیرفته شده در بورس اوراق بهادار. اقتصاد مالی.


• دهقان خاوری، سعید، میر جلیلی، سید حسین. (1398). تعامل ریسک سیستماتیک با بازده سهام در بورس اوراق بهادار تهران. فصلنامـه اقتصاد مالی. سال سیزدهم، شماره 49، صص 282-257.


• شریف‏فر، امیر و خلیلی عراقی، مریم و رئیسی وانانی، ایمان و فلاح شمس، میرفیض(1401) ، کاربرد معماری های یادگیری عمیق در پیش بینی قیمت سهام (رویکرد شبکه عصبی پیچشی).


• شریف‏فر، امیر و خلیلی ، مریم و رئیسی ، ایمان و فلاح، میر فیض(1400)، ارزیابی و اعتبارسنجی معماری بهینه یادگیری عمیق در پیش‏بینی قیمت سهام (رویکرد الگوریتم حافظه کوتاه‏مدت ماندگار.


• خدامی پور، احمد، امیری، اسماعیل(1396)، هزینة معاملات سهام و قیمت سهام : نقش تعدیلی سرمایه‌گذاران نهاد، مجله بررسی های حسابداری، دوره 4، شماره 15.


• ظهیر مبرهن، امیراحمد و قاسمی، احمدرضا(1400)، پیش بینی قیمت سهام با استفاده از تبدیل موجک،ششمین همایش بین المللی مدیریت، حسابداری، اقتصاد و علوم اجتماعی،همدان.


• کیامهر، علی، جنانی، محمدحسن، همت فر، محمود. (1399). تبیین نقش ناهنجاری‏های بازار سهام در قیمت‏گذاری دارایی‏های سرمایه‏ای. فصلنامـه اقتصاد مالی. سال چهاردهم ، شماره 53، صص 212-193.


• میرجعفری، سیدکاظم و محمدی، شعبان و سیفی، حسین(1401)، طراحی مدل بهینه سازی شیمیایی مصنوعی برای پیش بینی قیمت سهام و مقایسه آن با مدلهای مبتنی بر شبکه عصبی مصنوعی و مدل های ترکیبی در بورس اوراق بهادارتهران،دومین کنفرانس سراسری مطالعات و یافته های نوین در مدیریت و حسابداری ایران.


• معمارزاده، سیده فائزه و خسروی فارسانی، هادی و جاودانی گندمانی، تقی(1401)، ارائه یک روش مبتنی بر یادگیری عمیق جهت پیش بینی قیمت سهام، هشتمین کنفرانس بین المللی وب پژوهی،تهران.

نظریه، فاطمه(1400)، پیش بینی قیمت سهام توسط روش تلفیقی مبتنی بر تجزیه و ترکیب،ششمین کنفرانس بین المللی تحقیقات بین رشته ای در مهندسی برق، کامپیوتر، مکانیک و مکاترونیک،تهران

• Bergstra, J and Y. Bengio (2013). Random search for hyper-parameter optimization, Journal of machine learning research.


• Bruno Miranda and Henrique Vinicius and Amorim Sobreiro and Herbert Kimura (2019) "Stock price prediction using support vector regression on daily and up to the minute prices", Journal of Finance and Data Science, Vol. 4, Issue 3, September 2018, PP. 183-201.


• Chen, G.H, S. Nikolov and D. Shah (2013). A latent source model for nonparametric time series classification, in Advances in Neural Information Processing Systems.


• Chang R.P. Ko K.C. Nakano S. Rhee S.G(2017). Residual momentum in Japan. Journal of Empirical Finance.


• Georgoula, I, et al (2015). Using time-series and sentiment analysis to detect the determinants of bitcoin prices, Available at SSRN 2607167, Conference: 9th Mediterranean Conference on Information SystemsAt: Samos.


• Greaves, A and B. Au (2015). Using the bitcoin transaction graph to predict the price of bitcoin, No Data. Joshi, R, Accuracy, precision (2016). recall & f1 score: Interpretation of performance measures, Retrieved April.


• Lee, Lifang. Galvani, Valentina (2018), “Market states, sentiment, and momentum in the corporate bond Market” Journal of Banking and Finance, 89, pp. 249-265.


• Madan, I, S. Saluja and A. Zhao (2015). Automated bitcoin trading via machine learning algorithms, URL. Matta, M, I. Lunesu and M. Marchesi (2015). Bitcoin Spread Prediction Using Social and Web Search Media, in UMAP Workshops.


• Matta, M, I. Lunesu and M. Marchesi (2015). The predictor impact of Web search media on Bitcoin trading volumes, 7th International Joint Conference on Knowledge Discovery, Knowledge Engineering and Knowledge Management (IC3K).


• McNally, S, J. Roche, and S. Caton (2018). Predicting the price of bitcoin using machine learning, in 2018 26th Euromicro International Conference on Parallel, Distributed and Network-based Processing (PDP). Nakamoto, S and A (2008). Bitcoin, A peer-to-peer electronic cash system.


• Shah, D and K. Zhang (2014). Bayesian regression and Bitcoin, 52nd annual Allerton conference on communication, control, and computing (Allerton).


• Wen Long and Zhichen Lu and Lingxiao Cui (2020) "Deep learning-based feature engineering for stock price movement prediction", Knowledge-Based Systems, Vol. 164, 15 January 2019, PP. 163-173.