Developing an Appropriate Investment Model in Stock Exchange by DEA Neural Network Approach

محورهای موضوعی : policy making

مصطفی کاظمی ¹ , محمد اسفندیار ² , حدیث نجاریان ³

1 - دانشیار گروه مدیریت، دانشگاه فردوسی، وزارت علوم تحقیقات و فناوری، مشهد، ایران
2 - گروه مدیریت، دانشگاه فردوسی، وزارت علوم تحقیقات و فناوری، مشهد، ایران
3 - دانش آموخته گروه مدیریت، دانشگاه پیام نور، وزارت علوم تحقیقات و فناوری، بابل، ایران

تاریخ دریافت : 1393/12/03 تاریخ پذیرش : 1393/12/03 تاریخ انتشار : 1392/11/12

کلید واژه: Artificial Neural Network, Performance Evaluation, Data Envelopment Analysis (DEA), Companies Investment in Tehran Stock Exchange,

چکیده مقاله :

In recent years, the existing competitions between investment companies have been increased largely by entering private investors in capital market. Large and powerful companies try to achieve the goals predicted to increase the competition capacity. To analyze the efficiency of investment companies, parametric and non-parametric methods are used. In this research, based on the dissociation power and sensitivity of outliers efficiency frontier in DEA, the efficiency of 31 investment companies listed in Tehran Stock Exchange are evaluated by DEA models and neural network integrated model as 2 non-parametric methods during 2009-2011. Due o the weakness of DEA in ranking efficient units, these units will be ranked by Anderson and Peterson method. In DEA neural network integrated approach, multi-layer perspetron network by LM two training algorithm are used. When comparing the results of integrated model and DEA, the power of neural network will be represented for evaluating the efficiency.

چکیده انگلیسی:

در سال‌های اخیر با ورود سرمایه گذاران خصوصی به بازار سرمایه، رقابت موجود بین شرکت‌های سرمایه گذاری افزایش چشمگیری داشته است. شرکت‌های بزرگ و قدرتمند، اهداف پیش بینی شده خود را با جدیت پیگیری می‌کنند تا توان رقابتی خود را بالا ببرند. برای تجزیه و تحلیل کارایی شرکت‌های سرمایه گزاری از روش‌های پارامتریک و نا‌پارامتریک استفاده می‌شود. با توجه به ضعف قدرت تفکیک‌پذیری و حساسیت مرز کارایی به داده‌های پرت در روش تحلیل پوششی داده‌ها، در این پژوهش کارایی 31 شرکت‌های سرمایه‌گذاری در بورس اوراق بهادار تهران با استفاده از مدل‌های تحلیل پوششی داده‌ها و مدل ترکیبی شبکه‌های عصبی و تحلیل پوششی داده‌ها به عنوان دو روش نا‌پارامتریک، مورد ارزیابی قرار می‌گیرند. با استفاده از مدل‌های BCC و CCR تحلیل پوششی داده‌ها کارایی شرکت‌های سرمایه گذاری در بازه زمانی 1388ـ1390 محاسبه و نتایج تجزیه و تحلیل گردید. با توجه به ضعف تحلیل پوششی داده‌ها در رتبه‌بندی واحد‌های کارا، با استفاده از روش اندرسون و پیترسون واحد‌های کارا رتبه‌بندی شده است.در روش ترکیبی شبکه‌های عصبی و تحلیل پوششی داده‌ها از شبکه پرسپترون چند لایه با الگوریتم آموزش لونبرگ ـ مارکوآرت (LM) استفاده شده است. مقایسه نتایج مدل ترکیبی با روش تحلیل پوششی داده‌ها نشان‌دهنده قدرت بالای شبکه‌های عصبی برای اندازه‌گیری کارایی می­باشد.