چکیده:
بسیاری از پژوهشها در علم مالی بر پیشبینی دقیق بازده شرکتها با در نظر داشتن ریسک سرمایهگذاری در سهام آنها تمرکز داشتهاند. هدف این پژوهش،بررسی امکان توضیح بازده غیرعادی(تفاوت بازده مورد انتظار حاصل از مدل قیمتگذاری داراییهای سرمایهای و بازده واقعی) بااستفاده ازنسبتهای مالی وانتخاب ابزاربهتر برای پیشبینی آن از بین دومدل رگرسیون چندگانه با رویکرد تحلیل مؤلفههای اصلی (PCA) وشبکههای عصبی مصنوعی(ANN) است. بر این اساس توانایی مدل شبکههای عصبی مصنوعی پیشخور با الگوریتم پسانتشار خطا (BPN) در پیشبینی برون نمونهایِ بازده غیرعادی سهام مورد معامله در بورس اوراق بهادار تهران در سالهای 1384 تا 1391 به طور معناداری بیشتر از توانایی رگرسیون خطی با رویکرد تحلیل مؤلفههای اصلی بوده است.
چکیده انگلیسی:
Financial statements are the main source of information for stock market participants and financial ratios are the primary tool for their analysis. The main goal pursued by this research includes two major questions; First, whether it is possible to gain “unexpected returns” (in excess of expected return, determined by the Capital Asset Pricing Model) using seven financial parameters, for publicly traded companies in Tehran Stock Exchange. Second, as suggested by the research hypothesis, are artificial neural networks superior to ordinary least square regression in forecasting such returns? Based on research findings, artificial neural networks can outperform ordinary least squares models even when the regression model prediction capacity is enhanced by using principal components analysis, in terms of one-step-ahead forecasting of unexpected returns.
خبرنامه
برای ثبت نام در خبرنامه و دریافت خبرنامه ایمیل خود را وارد نمایید.
