ارائه یک مدل شبکه عصبی برای پیش‌بینی سود شرکت‌های پذیرفته شده در بورس اوراق بهادار تهران و مقایسه دقت آن با مدل‌هایHDZ و ARIMA

محورهای موضوعی : حسابداری مدیریت

مسعود اسدی ¹ (گروه مدیریت، واحد رشت، دانشگاه آزاد اسلامی، رشت، ایران)
سیدمظفر میربرگ کار ² (گروه مدیریت، واحد رشت، دانشگاه آزاد اسلامی، رشت، ایران (نویسنده مسئول))
ابراهیم چیرانی ³ (گروه مدیریت، واحد رشت، دانشگاه آزاد اسلامی، رشت، ایران.)

تاریخ دریافت : 1401/02/07 تاریخ پذیرش : 1401/06/02 تاریخ انتشار : 1401/09/01

کلید واژه: پیش‏بینی سود, الگوی خود رگرسیون میانگین متحر, بورس اوراق بهادار, شبکه عصبی مصنوعی,

چکیده مقاله :

پیش‌بینی سود معیار بااهمیتی برای شرکت‌ها به شمار رفته و شرکت‌های پذیرفته شده در بورس اوراق بهادار تهران باید دقت بالایی در پیش‌بینی سود خود داشته باشند. این پژوهش با هدف ارائه یک مدل شبکه عصبی برای پیش‌بینی سود شرکت‌های پذیرفته شده در بورس اوراق بهادار تهران و مقایسه دقت آن با مدل‌های ARIMA، HDZ به اجرا درآمده است. روش پژوهش از نظر هدف یک تحقیق کاربردی، از نظر منطق اجراء یک تحقیق استقرایی و از نظر ماهیت داده یک تحقیق کمی می‌باشد. به منظور گردآوری داده ها از صورت‌های مالی اساسی شرکت ها در بازه‌ زمانی 1398-1393 استفاده شد. در این مطالعه از روش شبکه عصبی به منظور پیش‌بینی سود شرکت ها استفاده شده و دو مدل ARIMA و HDZ مورد ارزیابی قرار گرفت. نتایج حاصل از پژوهش بیان می‌کند که میزان همگرایی داده‌ها و میزان رگرسیون در فاز اول و در روش HDZ برابر با 79087/ 0، و در روش ARIMA برابر با 79184/0 و در روش شبکه عصبی مصنوعی برابر با.79464/0 می‌باشد که میزان بیشتری از همگرایی و ضریب رگرسیون رو به خود اختصاص داده است. بر مبنای نتایج حاصله می‌توان دریافت که شبکه عصبی طراحی شده توانایی پیش بینی روند قیمت سهام با استفاده از شاخص‌های کل و صنعت را دارا می‌باشد و این امر علاوه بر تأیید دیگری بر توانایی شبکه عصبی در پیش بینی حوزه‌های مالی، سود آوری استراتژی پیش بینی قیمت در بورس تهران را نیز تأیید می‌کند.

چکیده انگلیسی:

Profit forecasting is an important criterion for companies and companies listed on the Tehran Stock Exchange must be very careful in forecasting their profits. This study aims to provide a neural network model to predict the profits of companies listed on the Tehran Stock Exchange and compare its accuracy with ARIMA and HDZ models. The research method is an applied research in terms of purpose, an inductive research in terms of logic and a quantitative research in terms of data nature. In order to collect data, the basic financial statements of companies in the period 1398-1393 were used. In this study, neural network method was used to predict corporate profits and two models, ARIMA and HDZ, were evaluated. The results show that the rate of data convergence and regression in the first phase and in the HDZ method equal to 0.79087, in the second phase, in the ARIMA method, it is equal to 0.79184, and in the artificial neural network method, it is equal to 0.79464, which has a higher degree of convergence and regression coefficient. Based on the results, it can be seen that the designed neural network has the ability to predict stock price trends using general and industry indicators, and this, in addition to confirming the neural network's ability to predict financial areas and profitability it also confirms strategy of the price forecast on the Tehran Stock Exchange.‏ ‏‏

منابع و مأخذ:

• بهزادی، مسعود (1391). تأثیر میزان دقت سود سهام پیش‏بینی شده در انعکاس بازدهی آیندهِ، پایان‏نامه کارشناسی ارشد رشته حسابداری، دانشگاه آزاد اسلامی، واحد مرودشت.


• حجازی، رضوان، آدم پیرا، سمیرا، بهرامی زیارتی، مصطفی (1395). پیش‏بینی سود هر سهم با استفاده از شبکه‏های عصبی در شرکت‏های پذیرفته شده در بورس اوراق بهادار تهران، پژوهش‏های حسابداری مالی و حسابرسی، 8 (29)، 73-95.


• حجازی، رضوان، محمدی، شاپور، اصلانی، زهرا، آقاجانی، مجید (1391). پیش بینی مدیریت سود با استفاده از شبکه عصبی و درخت تصمیم در شرکت‏های پذیرفته شده در بورس اوراق بهادار تهران، بررسی‏های حسابداری و حسابرسی، 19 (2)، 31-46.


• حیدرپور، فرزانه، خواجه محمود، زیبا، (1393)، رابطه بین ویژگی‌های پیش بینی سود هر سهم توسط مدیریت بر ریسک و ارزش شرکت با هدف آینده نگری در تصمیم گیری، دانش مالی تحلیل اوراق بهادار، 7 (2): 46-25.


• حمیدیان محسن, محمدزاده مقدم، محمدباقر، نقدی سجاد، اسماعیلی جواد (1397) پیش‌بینی سیاست تقسیم سود با استفاده از مدل‌های شبکه عصبی تک متغیره و چند متغیره، دانش سرمایه‏گذاری، 7 (26)، 169-184.


• دارابی، رؤیا؛ امام جمعه، سیمین، (1392)، بررسی تأثیر ساختار مالکیت بر صحت پیش‏بینی سود، دانش حسابداری و حسابرسی مدیریت، 3 (10): 72-55.


• فخاری، حسین؛ ولیپور خطیر، محمد؛ موسوی، سیده مائده (1396). بررسی عملکرد شبکه عصبی بیزین و لونبرگ مارکوات در مقایسه با مدل‏های کلاسیک در پیش‏بینی قیمت سهام شرکت‏های سرمایه‏گذاری. فصلنامه علمی و پژوهشی تحقیقات مالی، 19 (2)، 318-299.


• قادری، اقبال، امینی پیمان، محمدی ملقرنی، عطاءالله (1397). بکارگیری الگو ترکیبی شبکه‏های عصبی مصنوعی با الگوریتم‏های فراکاوشی (ICA, PSO) در پیش‏بینی مدیریت سود، پژوهش‏های تجربی حسابداری، 9 (35)، 33-52.


• صالحی، مهدی، فری پیله رود، لاله (1397). پیش بینی مدیریت سود با استفاده از شبکه عصبی و درخت تصمیم، پژوهش‏‏های حسابداری مالی و حسابرسی، 10 (36)، 1-24.


• کردستانی غلامرضا، باقری مجتبی. (1388)، بررسی رابطه ارزش افزوده اقتصادی و نقدی با خطای پیش بینی سود، تحقیقـات حسابداری، 130-147 .


• مشایخی، بیتا، گنجی، حمیدرضا (1393). تاثیر کیفیت سود بر پیش‏بینی ورشکستگی با استفاده از شبکه عصبی مصنوعی، پژوهش‏های حسابداری مالی و حسابرسی، 6 (22)، 147-173.


• مشکی، مهدی؛ عاصی ربانی، محمود، (1390)، بررسی رابطه بین خطای پیش بینی سود مدیریت با بازده غیرعادی سهام و ریسک سیستماتیک در بورس اوراق بهادار تهران، بررسی‌های حسابداری و حسابرسی، 66: 68-53.


• مکیان، سید نظام الدین، موسوی، فاطمه السادات (1391). پیشبینی قیمت سهام شرکت فرآوردههای نفتی پارس با استفاده از شبکه عصبی و روش رگرسیونی: مطالعه موردی: قیمت سهام شرکت فرآورده‌های نفتی پارس، فصلنامه مدل‏سازی اقتصادی، 6 (2)، 105-121.


• موسوی جهرمی، یگانه، غلامی، الهام (1395). مدل ترکیبی شبکه عصبی با الگوی ARIMA جهت پیش‏بینی مالیات بر ارزش افزوده بر مصرف بنزین در ایران، فصلنامه پژوهش‏های اقتصادی (رشد و توسعه پایدار)، 16 (2)، 116-99.


• موقر، بهزاد (1388). ارزیابی کاربرد شبکه های عصبی مصنوعی در پیش‏بینی بازار مبادلات ارز خارجی. پایان‏نامه کارشناسی ارشد، دانشگاه آزاد اسلامی واحد تهران جنوب.


• نمازی، محمد، شمس الدینی،کاظم، (1386)، بررسی سازه‌های مؤثر بر دقت پیش‏بینی سود توسط مدیریت شرکت‏های پذیرفته شده در بورس اوراق بهادار تهران،مجله توسعه و سرمایه1 (1)، 25-1.


• نیکوسخن، معین (1397). ارائه یک مدل ترکیبی بهبودیافته با انتخاب وقفه‏های خودکار برای پیشبینی بازار سهام. فصلنامه تحقیقات مالی، 20(3)، 389-408.


• Akono, H., Karim, K., & Nwaeze, E. (2019). Analyst rounding of EPS forecasts and stock Advances in accounting, 44, 68-80.


• Ayodele, A., A., Aderemi O., A., Charles, K.,(2014). Comparison of ARIMA and Artificial Neural Networks Models for Stock Price Prediction, Research Article | Open Access in https://doi.org/10.1155/2014/614342


• Harris, R. D., & Wang, P. (2019). Model-based earnings forecasts vs. financial analysts' earnings forecasts. The British Accounting Review, 51(4), 424-437.


• Hirst, D. E., Koonce, L., & Miller, J. (2013). The joint effect of management's prior forecast accuracy and the form of its financial forecasts on investor judgment. Journal of Accounting Research, 37, 101-124.


• Hornik, K., Stinchcombe, M., White, H (1989). Multilayer feedforward networks are universal approximators, Neural Networks, 2 (5), 359-366.


• Maciejowska, K., Nitka, W. & Weron, T. (2019). Day-ahead vs. Intraday Forecasting the price spread to maximize economic benefits. Energies, 12(4), 631.


• M.R & Prabhakara, R. (2019). Evaluation of forecasting methods from selected stock market returns, Financial Innovation, 5 (40), 1-16.


• Rahman, J. M. (2018). Factors Affecting Analyst Forecast Accuracy: Review of Literature. Available at SSRN 2539036.


• Ross, S. (1977). The Determination of Financial Structure: The Incentive signaling Approach." Bell Journal of Economics, No.1: 23-40.


• Staffini, A., (2022). Stock Price Forecasting by a Deep Convolutional Generative Adversarial Network, Artificial intelligence in finance. https://doi.org/10.3389/ frai.2022.837596


• Tsai, C. F., & Chiou, Y. J. (2018). Earnings management prediction: A pilot study of combining neural networks and decision trees. Expert systems with applications, 36(3), 7183-7191


• Zhang, G., E.B. Patuwo, and M.Y. Hu (1998) Forecasting with Artificial Neural Networks: The State of the Art; Int. J. Forecasting, No.14: 35-62.