پیش بینی سود هر سهم با استفاده از ترکیب شبکه عصبی با الگوریتم پس انتشارخطا و مقایسه آن با مدل های سری زمانی در بازار بورس اوراق بهادار تهران

Publish Year: 1394
نوع سند: مقاله کنفرانسی
زبان: Persian
View: 567

This Paper With 13 Page And PDF Format Ready To Download

  • Certificate
  • من نویسنده این مقاله هستم

این Paper در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این Paper:

شناسه ملی سند علمی:

MRMEA01_474

تاریخ نمایه سازی: 30 بهمن 1394

Abstract:

پیش بینی سود هر سهم و تغییرات آن، یک رویداد اقتصادی است که از دیر باز مورد علاقه سرمایه گذاران، مدیران، تحلیل گران مالی، محققان و اعتبار دهندگان بوده است؛ دقت در پیش بینی یکی ازمهمترین عوامل موثر در انتخاب روش مناسب است. در دهههای اخیر روش های متعددی برای پیشبینی سود هر سهم ارائه شده است که از دقت چندانی برخوردار نیستند. لذا تعیین بهترین روش برایپیش بینی از ضروریات پیش روی محققین میباشد. در این راستا مدلی دقیق برای پیش بینی سود هر سهم در شرکت های پذیرفته شده در بازار بورس اوراق بهادار تهران در بازه زمانی 1333 لغایت 332 و با استفاده از اطلاعات 33 شرکت، بر اساس ترکیب شبکه عصبی از نوع پرسپترون چند لایه ) MLP ( با الگوریتم پس انتشار خطا طراحی گردید و نتایج آن با مدل سری زمانی ARIMA مورد مقایسه قرار گرفت. یافته های پژوهش نشان میدهد که روش شبکه عصبی ترکیب شده با الگوریتم پس انتشار خطا نسبت به مدل سری زمانی مدل ARIMA ، از دقت بالاتری برای پیش بینی برخوردار بوده است

Keywords:

سود هر سهم , شبکه های عصبی , پرسپترون چند لایه MLP , الگوریتم پس انتشارخطا BP , سری زمانی ARIMA

Authors

سهیلا فرهمندفرجادرشتی

گروه حسابداری، واحد علوم و تحقیقات ایلام، دانشگاه آزاد اسلامی ایلام، ایران. گروه حسابداری، واحد ایلام، دانشگاه آزاد اسلامی ایلام، ایران

رحمت اله محمدی پور

گروه حسابداری، واحد ایلام، دانشگاه آزاد اسلامی ایلام، ایران گروه حسابداری، واحد علوم و تحقیقات ایلام، دانشگاه آزاد اسلامی ایلام، ایران.

رامین صیادی

گروه برق، واحد علوم و تحقیقات ایلام، دانشگاه آزاد اسلامی ایلام، ایران.گروه برق، واحد ایلام، دانشگاه آزاد اسلامی ایلام، ایران.

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 :
  • -آقایی، محمد علی، احمدیان، وحید، دویران، فیروز. بررسی ویژگی های ...
  • -خالقی مقدم، ح، و محمد بهرامیان، 1334 میزان عدم صحت ...
  • -Abarbanell, J.S. & Bushee, B. J. (1997). Fundamental analysis, future ...
  • -Brown, L.D, & Rozeff, M.S.(1978). The superiority of analysts forecasts ...
  • -Callen, J.1., Kwan, C.C.Y., Yip, P. C.Y, Yuan, Y., (1996). ...
  • -Cao, Qing, Parry Mark, E..(2009). Neural Network Earning per Share ...
  • --Hangan MT and Menhaj MB, (1994). Training feedforward network with ...
  • -Hendriksen, E., & Berda, V. (1992). Accounting Theory. New York: ...
  • -Haykin, S 0 , (1998).Neural Net woks: a Comprehensive Foundation. ...
  • -Jarrett, J. (1987). "Forecasting Monthly Earnings Per Share Time Series ...
  • -Math Works Inc.(2007). MATLAB the language of technical computing, Version ...
  • -Zhang, W., Cao, Qing, Schniederjans, M., (2004). Neural Network Earning ...
  • نمایش کامل مراجع