تبیین عوامل موثر بر نقد شوندگی سهام با استفاده از الگوریتم ژنتیک و روش حداقل افزونگی و حداکثر ارتباط(MRMR)
محورهای موضوعی : مهندسی مالی
محمود رضائی
1
,
حسین پناهیان
2
,
مهدی معدن چی زاج
3
,
حسن قدرتی
4
1 - گروه مهندسی مالی، واحد کاشان، دانشگاه آزاد اسلامی، کاشان، ایران
2 - گروه حسابداری و مدیریت، واحد کاشان، دانشگاه آزاد اسلامی، کاشان، ایران
3 - گروه حسابداری و مدیریت، واحد الکترونیکی، دانشگاه آزاد اسلامی، تهران، ایران
4 - گروه حسابداری و مدیریت، واحد کاشان، دانشگاه آزاد اسلامی، کاشان، ایران
کلید واژه:
چکیده مقاله :
نقد شوندگی سهام یک چالش مهم در بازار سرمایه می‌باشد. شناسایی عوامل اثرگذار بر نقدشوندگی، به پیش بینی وضعیت نقدشوندگی سهام و در نتیجه مدیریت ریسک سهام کمک می کند. هدف این تحقیق یافتن عوامل تاثیرگذار بر نقد شوندگی سهام می‌باشد. بدین منظور در مرحله اول با استفاده از ادبیات تحقیق و خبرگان عوامل اثرگذار مشخص و با استفاده از روش‌های حداقل افزونگی و حداکثر ارتباط(MRMR) و الگوریتم ژنتیک، متغیرهای تأثیرگذار انتخاب شده‌اند. در انجام این پژوهش با استفاده از نرم افزارExcel و داده های خام موجود ، داده های مورد نیاز ایجاد شده و سپس با استفاده از نرم افزارمتلب و جعبه ابزار شبکه عصبی و ماشین بردار پشتیبان ساخته شد. . در نهایت متغیرهای استخراجی با استفاده از MRMR ، شامل ارزش بازار سهام، شدت رقابت در بازار محصول، رشد تولید ناخالص داخلی، بازده حقوق صاحبان سهام، بازده سهام، نرخ تورم و مالکیت خانوادگی و با استفاده از الگوی ژنتیک اهرم مالی، مالکیت دولتی، بازده حقوق صاحبان سهام، رشد تولید ناخالص داخلی، درصد شناوری سهم، نوع بازار و تابلو (در بورس و فرابورس)، شدت رقابت در بازار محصول انتخاب شدند.
Liquidity of stocks is an important challenge in the capital market. Identifying the factors affecting liquidity helps to predict the stock liquidity situation and thus stock risk management. The purpose of this study is to find the factors affecting the liquidity of stocks. For this purpose, in the first stage, using the research literature and experts, the influencing factors are identified and using the methods of minimum redundancy and maximum correlation (MRMR) and genetic algorithm, the effective variables are selected. In this research, using Excel software and existing raw data, the required data was created and then using support software and neural network toolbox and support vector machine was created. . Finally, the extracted variables using MRMR include stock market value, intensity of product market competition, GDP growth, equity returns, stock returns, inflation rate and family ownership, and using the financial model of financial leverage, government ownership, Equity returns, GDP growth, share buoyancy percentage, market type and board (on the stock exchange and OTC), the intensity of competition in the product market were selected.
