پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 163 |
| تعداد شماره‌ها | 6,761 |
| تعداد مقالات | 72,826 |
| تعداد مشاهده مقاله | 131,643,264 |
| تعداد دریافت فایل اصل مقاله | 103,419,706 |
نمایش دانش سرمایه‌گذاری برحسب بازده در بازار سهام ایران با بهره‌گیری از مدل‌های عصبی عمیق در شرایط نااطمینانی محیطی | ||
| تحقیقات مالی | ||
| مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از تاریخ 18 اسفند 1403 اصل مقاله (2.93 M) | ||
| نوع مقاله: مقاله علمی پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22059/frj.2024.370564.1007554 | ||
| نویسندگان | ||
| مریم مرادی1؛ نجمه نشاط* 2؛ محسن سرداری3 | ||
| 1کارشناس ارشد مهندسی مالی، دانشگاه میبد، یزد، ایران | ||
| 2استادیار، گروه مهندسی صنایع، دانشگاه میبد، یزد، ایران | ||
| 3دانشیار، گروه مهندسی کامپیوتر، دانشگاه میبد، یزد، ایران | ||
| چکیده | ||
| هدف: شناخت رفتار بازار سرمایه و سوی‌‌گیری‌های آنها، پیش‌زمینه‌ای برای تحلیل رفتار بازده در زمان وقوع رخدادهای حاکم بر جامعه است. مسائل سیاسی، اقتصادی و اجتماعی روز دنیا به‌راحتی می‌توانند پارامترهای چرخه اقتصاد را تحت‌تأثیر قرار دهد. بازار سهام نیز به‌عنوان بخش مهمی از اقتصاد، از این امر مستثنی نخواهد بود. دقت بالای پیش‌بینی و شناخت نوسانات، اطمینان سرمایه‌گذار را افزایش داده و منجر به تصمیم‌گیری‌های صحیح و به‌موقع برای مدیریت دارایی خواهد شد. شناخت کارآمدترین ابزار برای پیش‌بینی بازده نیز لازمه تحلیل رفتار این بازار می‌باشد. هدف پژوهش حاضر، خوشه‌بندی شرکت‌های موجود در بازار بورس برحسب میزان تأثیرپذیری آنها نسبت به پیشامدهای دوره تحریم با استفاده از روش برتر هوش مصنوعی برای پیش‌بینی می‌باشد. روش: داده‌های بازده هفتگی 200 شرکت فعال در بازار سهام ایران، اطلاعات مربوط به متغیرهای نوع صنعت، اندازه، نقدینگی و سودآوری شرکت‌های منتخب در بازه زمانی 1395 تا 1399 به همراه پیشامدهای سیاسی، اقتصادی و اجتماعی برگزیده در این پژوهش استفاده شده است. در مرحله اول به مقایسه چهار مدل LSTM (Long-Short Term Memory)، DQN (Deep Q Network)، RF (Random Forest) و مدل SVR (Support vector machines) به عنوان مدل‌های برتر یادگیری عمیق و یادگیری ماشین پرداخته شده و در ادامه پیش‌بینی بازده سهام براساس مدل برتر صورت می‌پذیرد. در گام دوم تحلیل حساسیت سناریوهای حاصل از تأثیرپذیری تغییرات بازده نسبت به هر یک از ورودی‌های نوع صنعت، اندازه، نقدینگی و سودآوری شرکت‌ها متغیرها می‌باشد، انجام گردیده و در آخر نیز به خوشه‌بندی نتایج در سه دسته پیشامدهای اقتصادی، سیاسی - اقتصادی و اقتصادی – اجتماعی با استفاده از روش خوشه‌بندی تفکیکی به‌منظور تحلیل دستاوردها پرداخته شده است. یافته‌ها: در راستای مقایسه میان مدل‌های یادگیری عمیق (LSTM , DQN) و یادگیری ماشین (SVR , RF)، LSTM (حافظه‌ی کوتاه‌مدت طولانی) مدل برتر نسبت به سایر مدل‌ها برای پیش‌بینی بازده سهام می‌باشد. نتایج حاصل از خوشه‌بندی نیز طیف وسیعی از تحلیل‌ها را بسته به نیاز، در اختیار سرمایه‌گذاران قرار می‌دهد که می‌تواند مبنایی بر تحلیل روند بازده به هنگام مواجه با رخدادها قرار گیرد. اما به طور کل می‌توان گفت پیشامدهای سیاسی بیشترین تأثیر را بر بازده سهام شرکت‌ها می‌گذارند. پس از آن پیشامدهای اقتصادی و در آخر پیشامدهای اجتماعی کمترین تأثیر را بر بازده سهام شرکت‌ها می‌گذارند. در راستای ارزیابی معیارها نیز به ترتیب معیار اندازه شرکت، نوع صنعت، نقدینگی و در نهایت سودآوری آخرین جایگاه رتبه‌بندی عوامل مؤثر در نوسانات را از آن خود نموده‌اند. نتیجه‌گیری: بازار سهام ایران تحت‌تأثیر اخبار سیاسی، اقتصادی و اجتماعی و همچنین اقدامات و بیانیه‌های دولتی قرار دارد، اما بسته به نوع خبر میزان تأثیرپذیری آنها متفاوت خواهد بود. تأثیر پیشامدها بر بازده سهام به‌صورت مستقیم است و صدق این عبارت که طی وقوع پیشامدهای سیاسی، اقتصادی و اجتماعی، بازده شرکت‌های بورسی بسته به نوع صنعت، اندازه، نقدینگی و سودآوری شرکت‌ها دچار نوسان می‌شوند، تأیید می‌گردد. در این میان پیشامدهای سیاسی بیشترین تأثیر را بر بازده سهام شرکت‌ها داشته و باید موردتوجه فعالان بازار سرمایه قرار گیرند. | ||
| کلیدواژه‌ها | ||
| بازده نسبت به بازار؛ خوشه‌بندی؛ سرمایه‌گذاری مالی؛ مدل‌سازی؛ یادگیری عمیق | ||
| عنوان مقاله [English] | ||
| Display investment knowledge in terms of returns in Iran's stock market using deep neural models in environmental uncertainty | ||
| نویسندگان [English] | ||
| maryam moradi1؛ Najmeh Neshat2؛ mohsen sardari3 | ||
| 1MSc in Financial Engineering, Meybod University, Yazd, Iran | ||
| 2Assistant Prof., Department of Industrial Engineering, Meybod University, Yazd, Iran | ||
| 3Associate Prof., Department of Computer Engineering, Meybod University, Yazd, Iran | ||
| چکیده [English] | ||
| Objective: Knowing the behavior of the capital market and their deviations is a background for analyzing the behavior of returns during the occurrence of events governing the society. The political, economic and social issues of the world can easily affect the economic cycle. The stock market, as an important part of the economy, will not be exempt from this. The high accuracy of predicting and recognizing fluctuations will increase investor confidence and lead to correct and timely decisions for asset management. Also knowing the most efficient tool for predicting returns is necessary to analyze the behavior of this market. The purpose of the current research is to cluster the companies in the stock market according to their impact on the events of the sanctions period using the best artificial intelligence method for forecasting. Methods: The weekly return data of 200 active companies in the Iranian stock market, information related to the variables of industry type, size, liquidity and profitability of the selected companies in the period from 2016 to 2021 along with selected political, economic and social events have been used in this research. In the first step, four models LSTM (Long-Short Term Memory), DQN (Deep Q Network), RF (Random Forest) and SVR (Support vector machines) were compared as the best models of deep learning and machine learning And then the stock returns are predicted based on the superior model. In the second step, the sensitivity analysis of the scenarios resulting from the effectiveness of the changes in the efficiency with respect to each of the inputs of the industry type, size, liquidity and profitability of the companies are carried out and finally, the clustering of the results in three categories of economic, political-economic and economic-social events has been done by using the separation clustering method. Results: LSTM (Long-Short Term Memory) is a superior model to other deep learning models (LSTM,DQN) and machine learning models (SVR,RF) for predicting stock returns. The results of a wide range of analyzes are available to investors depending on their needs, which can be used as a basis for the analysis of the return process when faced with events. But in general, it can be said that political events have the greatest impact on the returns of companies' shares. After that, economic events and finally social events have the least impact on the returns of companies' shares. In order to evaluate the criteria, company size, type of industry, liquidity and finally profitability have taken the last place in the ranking of factors affecting fluctuations. Conclusion: Iran's stock market is influenced by political, economic and social news as well as government actions and statements, but depending on the type of news, their effectiveness will be different.The impact of events on the returns of companies' shares is direct and the truth of this statement that during the occurrence of events, the returns of stock companies fluctuate depending on the type of industry, size, liquidity and profitability of the companies is confirmed. Meanwhile, political events have the greatest impact on the returns of companies' shares and should be paid attention to by capital market activists. | ||
| کلیدواژه‌ها [English] | ||
| clustering, Deep learning, Financial investment؛ Modeling؛ Returns relative to market | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 199 تعداد دریافت فایل اصل مقاله: 57 |
||
سامانه مدیریت نشریات علمی. قدرت گرفته از سیناوب