پیش‌بینی شوک منفی قیمت سهام با تأکید بر نسبت‌های مالی

محورهای موضوعی : حسابداری مالی و حسابرسی

ابراهیم فدایی ¹ , محمدجواد زارع بهنمیری ²

1 - گروه حسابداری،واحدبابل،دانشگاه آزاداسلامی،بابل،ایران
2 - گروه حسابداری،دانشکده علوم اقتصادی واداری،دانشگاه قم،قم،ایران

تاریخ دریافت : 1401/04/26 تاریخ پذیرش : 1401/06/27 تاریخ انتشار : 1401/08/20

کلید واژه: الگوریتم ژنتیک, رگرسیون, الگوریتم بهینه‌سازی ازدحام ذرات, واژه‌های کلیدی: شوک منفی قیمت سهام,

چکیده مقاله :

چکیدهبراساس تحقیقات بازار سرمایه، شوک منفی قیمت سهام در هر بازار تابع عوامل محیطی و ویژگی‌های خاص شرکتی بوده و هر بینشی درمورد چگونگی تشریح و پیش‌بینی شوک، می‌تواند بر تصمیمات سرمایه‌گذاران و فعالان حاضر در بورس اثرگذار باشد. در این پژوهش بر اساس داده‌های مرتبط با 140 شرکت‌ها اقدام به پیش‌بینی شوک قیمتی سهام با تأکید بر نسبتهای مالی شده است. به‌منظور انتخاب متغیرهای بهینه از مجموعه 96 متغیر، از دو الگوریتم تکاملی بهینه‌سازی ازدحام ذرات و الگوریتم ژنتیک استفاده‌شده است. پس از به‌کارگیری الگوریتمهای ذکرشده درنهایت 8 متغیر تأثیرگذار بر شوکهای دائم و موقت استخراج گردید که در مدل رگرسیونی باقیمانده مستحکم در تحقیق تأثیر آنها بر متغیر پیشبینی شونده شوک بررسی گردید. نتایج حاصل از RSME مدلهای بررسی‌شده بهترتیب برای شوک دائم (الگوریتم ژنتیک)، شوک دائم (الگوریتم تکاملی بهینه‌سازی ازدحام ذرات)، شوک موقت (الگوریتم ژنتیک) و شوک موقت (الگوریتم تکاملی بهینه‌سازی ازدحام ذرات)، 5.8433، 5.6284، 7.537 و 7.295 میباشد. همان‌طور که مشاهده میشود RSME در شوک دائم براساس الگوریتم ژنتیک، بیشتر از RSME مدل شوک دائم براساس الگوریتم تکاملی بهینه‌سازی ازدحام ذرات میباشد. همچنین در مدل شوک موقت براساس الگوریتم ژنتیک RSME مدل، بیشتر از RSME مدل شوک موقت براساس الگوریتم تکاملی بهینه‌سازی ازدحام ذرات میباشد. بنابراین می‌توان بیان نمود که رگرسیون برآورد شده بر اساس متغیرهای انتخابی از الگوریتم تکاملی بهینه‌سازی ازدحام ذرات دارای RSME پایین‌تر بوده و قدرت پیش‌بینی‌کنندگی بهتری نسبت به متغیرهای انتخابی از الگوریتم ژنتیک دار

چکیده انگلیسی:

AbstractAccording to capital market research, the negative stock price shock in any market is a function of environmental factors and specific characteristics of the company, and any insight on how to describe and predict the shock can affect the decisions of investors and activists in the stock market. In this study, based on data related to 140 companies listed on the Tehran Stock Exchange.we have attempted to predict stock price shocks with emphasis on financial ratios. In order to select the optimal variables from the set of 96 variables, two evolutionary algorithms of particle swarm optimization and genetic algorithm have been used. After applying the mentioned algorithms, finally, 8 variables affecting permanent and temporary shocks were extracted, which in the regression model mentioned in the research, their effect on the predictor of shock was investigated. the results of RSME model are the permanent shock (genetic algorithm), permanent shock (particle swarm optimization), temporary shock (genetic algorithm) and temporary shock (particle swarm optimization (particle swarm optimization), 5.8433 , 5.6284 , 7.537 and 7.295 . as we observe , RSME in permanent shock based on genetic algorithm is more than RSME permanent shock model based on the evolutionary algorithm of particle swarm optimization. also in the transient shock model based on the genetic algorithm , the model is more than RSME of the temporary shock model based on the evolutionary algorithm of particle swarm optimization . It can therefore be stated that the estimated regression is based on the selected variables from the evolutionary algorithm of the particle swarm optimization, and has better predictive power than the selected variables of the genetic algorithm.

منابع و مأخذ:

فهرست منابع
افشاری، زهرا، حسین توکلیان و مرضیه بیات، (1397)|، "بررسی تأثیر شوک شاخص کل قیمت سهام بر متغیرهای کلان اقتصادی با استفاده از رویکرد DSGE"، پژوهشهای رشد و توسعه پایدار، سال هجدهم، شماره 2، صص 81-103.
بیات، مرضیه، حسین توکلیان و زهرا افشاری، (1395)، "بررسی تأثیر شوک شاخص کل قیمت سهام بر شاخص‌های کلان اقتصادی با استفاده از رویکرد DSCG"، مجله پژوهش‌های رشد و توسعه پایدار، 12، صص  27-50.
تنانی، محسن، علیرضا صدیقی و عباس امیری، (1393)، "بررسی نقش سازوکارهای حاکمیت شرکتی در کاهش ریسک ریزش قیمت سهام شرکت‌های پذیرفته‌شده در بورس اوراق بهادار تهران"، مدیریت دارایی و تأمین مالی.
حیدر پور، فرزانه و سمیه زارع رفیع، (1393)، "تأثیر متغیرهای سود تقسیمی و فرصت‌های رشد بر رابطه کیفیت گزارشگری مالی و نوسان‏پذیری بازده سهام"، پژوهش های حسابداری مالی و حسابرسی، 6(22)، صص 213-247.
خجسته دریا دوست، متین و منا علیاکبری، (1397)، "ارتباط شوکهای منفی بازده سهام با ساختار سرمایه در بورس اوراق بهادار تهران"، سومین کنفرانس بینالمللی مدیریت، حسابداری و حسابرسی پویا.
خدابخش، عباس، (1383)، "خرید و فروش سهام بر اساس مصوبات مجمع"، تهران، انتشارات چالش.
دستگیر، محسن، احمد گوگرد چیان و ستاره آدمیت، (1394)، "رابطه بین کیفیت سود (پراکندگی سود) و بازده سهام"، پژوهش های حسابداری مالی و حسابرسی، 7(26)، صص 21-37.
راعی، رضا و کاظم چاووشی، (1382)، "پیش‌بینی بازده سهام در بورس اوراق بهادار"، فصلنامه تحقیقات مالی، 15(1)، صص 42-16.
رستمی، علی، غلامرضا زمردیان و سجاد جلالی، (1395)، "بررسی رابطه شوکهای قیمت سهام با نوسانات حساب‌جاری"، مجله مهندسی مالی و مدیریت اوراق بهادار، شماره بیست و ششم.
سلامی، امیر بهداد و یوسف لطفی، (1382)، "کاهش اخلال غیرخطی در شاخص قیمت بازار اوراق بهادار تهران"، پژوهشنامه اقتصادی، 10(3)، صص 103-126.
فیض اللهی، سلاله و مریم لشکری زاده، (1400)، "تأثیر کیفیت اقلام تعهدی برنوسانات بازده سهام"، پژوهش های حسابداری مالی و حسابرسی، 13 (49)، صص 31-52.
کامیابی، یحیی و بتول پرهیزگار، (1395)، "بررسی رابطه بین سرمایه‌گذاران نهادی و همزمانی قیمت سهام در شرکت‌های پذیرفته شده در بورس اوراق بهادار تهران"، دانش سرمایه‌گذاری، دوره 5، شماره 17، صص 165-186.

Almasi, Hassan, Mansoureh Salehi, Mahsa Khoshpanjeh, Afshin Rahnama, (2012), “Examining the Financial Situation of the Member Countries to Developing 8Group with the Aim of Developing Cooperation on Financial Services”, Journal of Basic and Applied Scientific Research, Vol, 2, PP. 10811-1081.
Antoniou, A, Y. Guney, and K. Paudyal. (2002), “Determinants of Corporate Capital Structure: Evidence from European Countries”, Working Paper, Department of Economics and Finance, Durham University, England.
Beynon, M. Clatworthy, M. and Jones, M. (2018), “The Prediction of Profitability Using Accounting Narratives: a Variable-precision Rough Set Approach”, Intelligent Systems in Accounting, Finance and Management, Vol. 12, No. 4, PP. 227-242.
Cassar, G. (2010), “Are Individuals Entering Self-employment Overly Optimistic? An Empirical Test of Plans and Projections on Nascent Entrepreneur Expectations”, Strategic Management Journal, 31(8), PP. 822-840.‏
coch & viewe. (2013), “Financial Distress Prediction based on SVM and MDA Methods: the Case of Chinese Listed Companies”, Quality and Quantity.
Ehrmann, M. & Fratzscher, M. (2004), “Taking Stock: Monetary Policy Transmission to Equity Markets”, Journal of Money, Credit and Banking, PP. 719-737.‏
Engel, C. and Rogers, J. H. (2006), “The US Current Account Deficit and the Expected Share of World Output”, Journal of Monetary Economics, 53, PP. 1063–93.
Gopta & moodize. (2013), “Bayesian Kernel Based Classification for Financial Distress Detection”, European Journal of Operational Research, 172, PP. 979-1003.
Husen & bunga bunga (2005), “A Reexamination of Auditor Versus Model Accuracy within the Context of the Going-Concern Opinion Decision”, Contemporary Accounting Research, 10, PP. 409-431.
Kevin Brady & Arjan Premti, (2018), “How Do Investors Determine Stock Prices after Large Price Shocks?”, Journal of Behavioral Finance, DOI: 10.1080/15427560.2018.1511563.
Kraay, A. and Ventura, J. (2007), “The Dot-com Bubble, the Bush Deficits and the US Current Account, in G7 Current Account Imbalances: Sustainability and Adjustment (Ed.) R. Clarida”, National Bureau of Economic Research, Cambridge, PP. 457–96.
Lavesh. (2019), “A Five-stage Financial Distress Prediction Model”, Journal of Accounting Research, 25(1), PP. 127-138.
Paetz, M., & Gupta, R. (2014), “Stock Price Dynamics and the Business Cycle in an Estimated DSGE Model for South Africa”, University of Pretoria, Department of Economics Working Paper Series.
Perahish & vidia, (2017), “Annual Report Readability, Current Earnings, and Persistence”, Journal of Accounting and Economics, 45, PP. 221-247.
Rathee, Seema, and Saroj Ratnoo. (2020), “Feature Selection Using Multi-objective CHC Genetic Algorithm”, Procedia Computer Science, 167, PP. 1656-1664.
Seo, S. W., & Chung, H. J. (2017), “Capital Structure and Corporate Reaction to Negative Stock Return Shocks”, International Review of Economics & Finance, 49, PP. 292-312.‏
Thanh, S. D., Canh, N. P., & Maiti, M. (2020), “Asymmetric Effects of Unanticipated Monetary Shocks on Stock Prices: Emerging Market Evidence”, Economic Analysis and Policy, 65, PP. 40-55.
Tong, S., Kian, CH., (2016), “Pred ct g IPOs Performance Using Generalized Growing and Pruning Algorithm for Radial Basis Function (GGAP-RBF) Net Ork”, 12(1).
Velinewks, (2014), “Estimating Financial Distress Likelihood”, Journal of Business Research, 61, PP. 995-1003
Zhai, X. Y., Hou, Y. Y., & Li, Y. S. (2020), “Investor Attention and Stock Returns under Negative Shocks: an Empirical Analysis based on “Dragon and Tiger” List in China”, Journal of Business Economics and Management, 21(3), PP. 914-941.‏