توانایی الگوریتم‌های یادگیری ماشین و شبکه‌های عصبی مصنوعی در پیش‌بینی محتوای اطلاعاتی سود حسابداری قبل از اعلان آن

محورهای موضوعی : سرمایه‌گذاری

حسین علیزاده ¹ (گروه مالی، واحد اراک، دانشگاه آزاد اسلامی، اراک، ایران.)
مجید زنجیردار ² (گروه مدیریت مالی، واحد اراک، دانشگاه آزاد اسلامی، اراک، ایران.)
غلامعلی حاجی ³ (گروه اقتصاد، واحد اراک، دانشگاه آزاد اسلامی، اراک، ایران.)

تاریخ دریافت : 1401/08/02 تاریخ پذیرش : 1401/12/10 تاریخ انتشار : 1402/04/01

کلید واژه: محتوای اطلاعاتی سود, شبکه‌های عصبی مصنوعی, ماشین بردار پشتیبان, جنگل تصادفی,

چکیده مقاله :

هدف: هدف از پژوهش حاضر بررسی توانایی شبکه‌های عصبی مصنوعی و الگوریتم‌های یادگیری ماشین شامل ماشین بردار پشتیبان و جنگل تصادفی در پیش‌بینی محتوای اطلاعاتی سود حسابداری قبل از اعلان آن در شرکت‌های پذیرفته شده در بورس اوراق بهادار تهران در بازه زمانی سال‌های 1394الی 1399می‌باشد.روش‌شناسی پژوهش: برای جمع‌آوری داده‌های روزانه موردنیاز پژوهش از نرم‌افزار ره‌آورد نوین استفاده شده است و با استفاده از روش نمونه‌گیری حذفی سیستماتیک 88 شرکت انتخاب شدند. از نرم‌افزار متلب به‌منظور مدل‌سازی شبکه‌های عصبی و الگوریتم‌های یادگیری ماشین استفاده شده است و به‌منظور محاسبه بازده غیرعادی در شبکه‌های عصبی و الگوریتم‌های یادگیری ماشین از کد نوشته شده در نرم‌افزار پایتون استفاده شده است. محتوای اطلاعاتی سود از طریق آزمون ارتباط بین سود و بازده غیرعادی و بر اساس مدل پورتی و همکاران (Poretti et al., 2018) سنجیده شده است. متغیرهای ورودی شبکه‌های عصبی و الگوریتم‌های یادگیری ماشین اندیکاتورها تحلیل تکنیکال می‌باشند. به‌منظور ارزیابی عملکرد طبقه‌بندی، از معیارهای صحت، دقت، فراخوانی و اندازه F استفاده شده است.یافته‌ها: نتایج حاصل از پیش‌بینی سه مدل شبکه‌های عصبی مصنوعی، ماشین بردار پشتیبان و جنگل تصادفی نشان داد که ماشین بردار پشتیبان و جنگل تصادفی از دقت بالاتری نسبت به شبکه‌های عصبی مصنوعی، در پیش‌بینی استراتژی خرید، فروش و نگهداری برخوردار بوده‌اند و تنها ماشین بردار پشتیبان از سه مدل مذکور توان پیش‌بینی محتوای اطلاعاتی سود را داشته است.اصالت / ارزش‌افزوده علمی: طراحی مدل پیش‌بینی جهت حرکت قیمت سهام در روز آتی معاملاتی، با سه روش شبکه‌های عصبی مصنوعی، ماشین بردار پشتیبان و جنگل تصادفی به‌عنوان اصلی‌ترین نوآوری پژوهش می‌باشد و همچنین یافته‌های پژوهش می‌تواند سرعت انتقال اطلاعات به بازار و جذب آن را افزایش دهد که این عامل منجر به کاهش اثر عدم تقارن اطلاعاتی و معاملات مبتنی بر اطلاعات نهانی و در نهایت افزایش کارایی بازار خواهد شد.

چکیده انگلیسی:

Purpose: The aim of this research is to investigate the capability of artificial neural networks and machine learning algorithms, including Support Vector Machine and Random Forest, in predicting the information content of accounting profits before its announcement in accepted companies on the Tehran Stock Exchange during the period from 2015 to 2020.Methodology: Daily data required for the research were collected using Rahnaward-e-Novin software, and a systematic random sampling method was used to select 88 companies. MATLAB was used for modeling artificial neural networks and machine learning algorithms, and Python code was employed to calculate abnormal returns in neural networks and machine learning algorithms. The information content of profits was measured through the test of the relationship between profits and abnormal returns, based on the model by Porti et al. (2018). The input variables for artificial neural networks and machine learning algorithms are technical indicators. Accuracy, precision, recall, and F-score metrics were used for performance evaluation.Findings: The results of predicting with three models of artificial neural networks, Support Vector Machine, and Random Forest showed that Support Vector Machine and Random Forest had higher accuracy than artificial neural networks in predicting buy, sell, and hold strategies, and only Support Vector Machine had the ability to predict the information content of profits among the three models.Originality / Value: Designing a predictive model for stock price movements in the next trading day using artificial neural networks, Support Vector Machine, and Random Forest as the main innovation of the research. The research findings can increase the speed of information dissemination to the market and attract it, which will reduce the impact of informational asymmetry and information-based trading and ultimately enhance market efficiency.

منابع و مأخذ:

Ashton, D., & Trinh, C. (2018). Evaluating the information content of earnings forecasts. Accounting and Business Research, 48(6), 674-699.‏

Beaver, W. H., McNichols, M. F., & Wang, Z. Z. (2018). The information content of earnings announcements: new insights from intertemporal and cross-sectional behavior. Review of Accounting Studies, 23, 95-135.‏

Beaver, W. H., McNichols, M. F., & Wang, Z. Z. (2020). Increased market response to earnings announcements in the 21st century: An empirical investigation. Journal of Accounting and Economics, 69(1), 101244.‏

Chaajer, P., Shah, M., & Kshirsagar, A. (2021). The applications of artificial neural networks, support vector machines, and long-short term memory for stock market prediction. Decision Analytics Journal, 100015.

Chen, K. Y., & Ho, C. H. (2005). An improved support vector regression modeling for Taiwan Stock Exchange market weighted index forecasting. In 2005 International conference on neural networks and brain (Vol. 3, pp. nil15-1638). IEEE.‏‌

Emioma, C. C., & Edeki, S. O. (2021). Stock price prediction using machine learning on least-squares linear regression basis. In Journal of Physics: Conference Series (Vol. 1734, No. 1, p. 012058). IOP Publishing.‏

Engelen, P. J., & Van Liedekerke, L. (2007). The ethics of insider trading revisited. Journal of Business Ethics, 74, 497-507.‏

Esmaeeli, H., Rahmani, S., Kazemi, A., & Aliahmadi, M. (2017). Evaluation of E-Learning of the virtual learning program from the student's point of view. Public Management Researches, 9(34), 221-241. [In Persian]

Ghasemi, G., Khodamipour, A., & Shamsadini, K. (2022). The role of economic policy uncertainty in the relationship between voluntary disclosure of information and information asymmetry. Advances in Finance and Investment, 3(6), 31-52. [In Persian]

Gholamian, E., & Davoodi, S. M. R. (2018). Predicting the Direction of Stock Market Prices Using Random Forest. Financial Engineering and Portfolio Management, 9(35), 301-322. [In Persian]

Jiang, W. (2021). Applications of deep learning in stock market prediction: recent progress. Expert Systems with Applications, 184, 115537.‏

Kara, Y., Boyacioglu, M. A., & Baykan, Ö. K. (2011). Predicting direction of stock price index movement using artificial neural networks and support vector machines: The sample of the Istanbul Stock Exchange. Expert systems with Applications, 38(5), 5311-5319.‏

Khan, W., Malik, U., Ghazanfar, M. A., Azam, M. A., Alyoubi, K. H., & Alfakeeh, A. S. (2020). Predicting stock market trends using machine learning algorithms via public sentiment and political situation analysis. Soft Computing, 24, 11019-11043.‏

Levin, J. (2001). Information and the Market for Lemons. RAND Journal of Economics, 657-666.‏

Liu, C., Wang, W., Wang, M., Lv, F., & Konan, M. (2017). An efficient instance selection algorithm to reconstruct training set for support vector machine. Knowledge-Based Systems, 116, 58-73.‏

NasiriPour Dori, S., Banimahd, B., & Ahmadzadeh, H. (2016). Managerial Overconfidence and Earnings Overstatement. Management Accounting, 9(30), 55-65. [In Persian]

Patel, J., Shah, S., Thakkar, P., & Kotecha, K. (2015). Predicting stock and stock price index movement using trend deterministic data preparation and machine learning techniques. Expert systems with applications, 42(1), 259-268.‏

Piotroski, J. D., & Roulstone, D. T. (2005). Do insider trades reflect both contrarian beliefs and superior knowledge about future cash flow realizations?. Journal of Accounting and Economics, 39(1), 55-81.‏

Poretti, C., Schatt, A., & Bruynseels, L. (2018). Audit committees’ independence and the information content of earnings announcements in Western Europe. Journal of Accounting Literature, 40(1), 29-53.‏

Pourgadimi, K., Bahri Sales, J., Jabbarzadeh Kangarluei, S., & Zavar Rezaee, A. (2022). Presenting the developed model of benish model with emphasis on audit quality fea-tures using neural network, vector machine and random forest. Advances in Finance and Investment, 3(6), 1-30. [In Persian]

Sadorsky, P. (2021). A random forests approach to predicting clean energy stock prices. Journal of Risk and Financial Management, 14(2), 48.‏

Srivastava, P. R., Zhang, Z. J., & Eachempati, P. (2021). Deep neural network and time series approach for finance systems: predicting the movement of the Indian stock market. Journal of Organizational and End User Computing (JOEUC), 33(5), 204-226.‏

Shao, S., Stoumbos, R. C., & Zhang, F. (2020). The Power of Firm Fundamental Information in Explaining Stock Returns. SSRN Electronic Journal.

Tabar, S., Sharma, S., & Volkman, D. (2021). Stock Market Prediction Using Elliot Wave Theory and Classification. International Journal of Business Analytics (IJBAN), 8(1), 1-20.‏

Wagner, N., & Rondinelli, J. M. (2016). Theory-guided machine learning in materials science. Frontiers in Materials, 3, 28.‏

Yin, L., Li, B., Li, P., & Zhang, R. (2023). Research on stock trend prediction method based on optimized random forest. CAAI Transactions on Intelligence Technology, 8(1), 274-284.‏