بررسی و پیش بینی بازده سهام با استفاده از سود و جریانهای نقد عملیاتی با رویکرد شبکه های عصبی مصنوعی

Publish Year: 1393
نوع سند: مقاله کنفرانسی
زبان: Persian
View: 583

This Paper With 16 Page And PDF Format Ready To Download

  • Certificate
  • من نویسنده این مقاله هستم

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این Paper:

شناسه ملی سند علمی:

CAFM03_021

تاریخ نمایه سازی: 28 شهریور 1394

Abstract:

با توجه به اهمیت بازده در مطالعات سرمایه گذاری، پیش بینی آن با استفاده از سود و جریانهای نقد عملیاتی از مسائلمهم و ضروری است. تغییرات زمانی بازده، عدم کفایت مطالعات صورت گرفته و وجود عوامل تاثیرگذار بر میزان بازدهسهام باعث توسعهی روشهای نوین و هوشمند در تخمین و برآورد بازده سهام شرکتهای بورسی شده است. هدفاز این تحقیق بررسی و پیش بینی بازده سهام با استفاده از سود و جریانهای نقد عملیاتی با رویکرد شبکه های عصبیمصنوعی است. متغیرهای مستقل در این تحقیق سود و جریان نقد عملیاتی هر سهم و متغیر وابسته بازده سهاممی باشد. بدین منظور متغیرهای مذکور برای 100 شرکت بورسی و به مدت 5 سال جمع آوری گردید . خروجی هایحاصل از تخمین شبکه های عصبی مصنوعی و نتایج حاصل از تخمین با استفاده از این روش، با معیارهای ارزیابی (MSE=0.7, R(2)=0.51 و MAE=0.5) و معناداری متغیرها، میباشد . با در نظر گرفتن مقدار تصادفی (50 درصد) و مقایسه آن با R(2)=0.51، متوجه ارتباط معنادار بین متغیرهای مربوطه و بازده سهام میشویم، و شبکه مزبور دارای کمترین خطا (MSE=0.7 و MAE=0.5) نسبت به سایر شبکه های دیگر می باشد.

Keywords:

بازده آینده , پیش بینی بازده سهام , شبکه های عصبی مصنوعی , متغیرهای بازار

Authors

مهری دارایی

استادیار دانشگاه آزاد اسلامی واحد خرم آباد

راضیه رشیدی باغی

دانشجوی کارشناسی ارشد مدیریت آموزشی دانشگاه آزاد اسلامی واحد خرم آباد

مراجع و منابع این Paper:

لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :
  • منهاج، م. (1384). مبانی شبکه‌های عصبی(هوش محاسباتی). مرکز نشر پروفسور ...
  • آذر، عادل و رجب زاده (1382)، علی ارزیابی پیش‌بینی ترکیبی ...
  • آذر، عادل و مومنی، منصور (1377)، آمار و کاربرد آن ...
  • سومیت کنغرانس ملیحسابداری، مدییت مالیوسرمایه گذاری _ Third Conference O11 ...
  • A. Abhyankar, L.S. Copeland, W. Wong, Uncovering nonlinear structure in ...
  • Balkin, S. D., & Ord, J. K. (2000). Automatic neural ...
  • Brooks, C. (1997). Linear and non-linear (non-) forecastability of high ...
  • Darbellay, G. A., & Slama, M. (2000). Forecasting the short-term. ...
  • E.F. Fama, K.R. French, Dividend yields and expected stock returns, ...
  • Gencay, R. & T. Stengos (1998) Moving Averages Rules, Volume ...
  • Gooijer, J. G. D., & Hyndman, _ J. (2006). 25 ...
  • Karayiannis N.B. and Venets anopoulo S A.N. 1993. Artifical Neural ...
  • Kumar, P. R., & Ravi, V. (2007). prediction in banks ...
  • Kuo, R. J., C.H. Chen & Y.C Hwang. (2001). An ...
  • Preminger, A., & Franck, R. (2007). Forecasting exchange rates: A ...
  • Qi, M. (2001). Predicting US recessions with leading indicators via ...
  • Rashidi b Mohsen, Shiralizadeh Mohsen, Sharifzadeh Hadi. 2012. "Review and ...
  • Suraphan Thawornw ong, David Enke (2004), The adaptive selection of!nancial ...
  • Tacz, G. (2001). Neural network forecasting of Canadiar GDP growth. ...
  • W. Schwert, Stock returns and real activity: a century of ...
  • نمایش کامل مراجع