Company value prediction based on deep learning methods
Subject Areas :
Financial Economics
Seyedeh Maryam Babanezhad Bagheri
1
,
Abbasali PourAghajan
2
*
,
M. Mehdi Abbasian Feridoni
3
1 - Accounting Department, Qaimshahr Branch, Islamic Azad University, Qaimshahr
2 - Department of Accounting, Qaimshahr Branch, Islamic Azad University, Qaimshahr, Iran (corresponding author).
3 - Accounting Department, Qaimshahr Branch, Islamic Azad University, Qaimshahr, Iran
Received: 2023-07-17
Accepted : 2023-08-31
Published : 2023-09-23
Keywords:
Corporate Governance,
G17,
financial ratio,
Stock market,
G33,
Macroeconomics,
Keywords: company value,
deep learning. Classification jel: G02,
Abstract :
Abstract
Prediction and clear understanding of the behavior of a phenomenon plays a major role in adopting strategies and decisions. All-round development and deepening of the capital market as the driving engine of economic development requires the public trust of participants in its efficiency and correctness in determining the fair price of securities. On the other hand, predicting company value, price fluctuations, or stock returns is very important in portfolio selection, asset management, and even stock pricing of newly listed companies.In this research, using the data of 159 companies during a 10-year period including 2011-2020 and the factors affecting the company's value, including financial ratios, corporate governance mechanisms, macroeconomic factors, and the stock market, the company's value has been predicted. In this research, two structures of deep learning methods including GRU and BLSTM are used for better evaluation. The results of examining the data collected using deep learning techniques indicated that the combined model with a lower RMSE error than the GRU model predicted the value of the company.
References:
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.
