اخبار و اعلانات
آمار
| تعداد نشریات | 35 |
| تعداد شماره‌ها | 1,285 |
| تعداد مقالات | 9,288 |
| تعداد مشاهده مقاله | 8,611,586 |
| تعداد دریافت فایل اصل مقاله | 5,278,522 |
پیش بینی نقدشوندگی در بورس اوراق بهادار تهران با استفاده از مدل های یادگیری | ||
| پژوهش‌های راهبردی بودجه و مالیه | ||
| مقاله 1، دوره 4، شماره 3 - شماره پیاپی 15، شهریور 1402، صفحه 11-29 اصل مقاله (964.41 K) | ||
| نوع مقاله: مقاله پژوهشی | ||
| نویسندگان | ||
| رحیم قاسمیه* 1؛ حسنعلی سینایی2؛ صدیقه صحرایی3 | ||
| 1دانشیار گروه مدیریت، دانشکده اقتصاد و علوم اجتماعی، دانشگاه شهید چمران اهواز،اهواز، ایران | ||
| 2استاد گروه مدیریت، دانشکده اقتصاد و علوم اجتماعی، دانشگاه شهید چمران اهواز، اهواز، ایران | ||
| 3دانشجوی کارشناسی ارشد مدیریت مالی، دانشکده اقتصاد و علوم اجتماعی، دانشگاه شهید چمران اهواز، اهواز، ایران | ||
| تاریخ دریافت: 04 مهر 1402، تاریخ بازنگری: 01 آبان 1402، تاریخ پذیرش: 03 آبان 1402 | ||
| چکیده | ||
| قابلیت نقدشوندگی در بورس، میزان نزدیکی سهام به پول نقد را بیان می کند. از آنجا که بورس اوراق بهادار تهران در ردیف بورس های غیرنقد جهان لحاظ شده و مسئله نقدشوندگی سهام یکی از دغدغه های اصلی سرمایه گذاران است، لذا در این پژوهش سعی بر این است با استفاده از مدل های یادگیری عمیق به پیش بینی نقد شوندگی بورس اوراق بهادار تهران پرداخته شود. جامعه آماری شامل شرکت های فعال در بورس اوراق بهادار تهران در سال های 1400-1394 می باشد که 23 شرکت به عنوان نمونه مورد مطالعه قرار گرفتند. حجم و ارزش معاملات، نسبت گردش سهام، آمیهود، اختلاف قیمت های پیشنهادی خرید و فروش و شکاف نسبی به عنوان معیارهای نقدشوندگی، اندازه گیری شده و یک شبکه عصبی تماما متصل بر اساس پرسپترون چند لایه (MLP)، مدل ترکیبی یادگیری عمیق (MDL) و مدل کلاسیک رگرسیون خطی (LR) مورد آزمون قرار گرفت. برای سنجش قدرت پیش بینی مدل ها، میانگین مربعات خطا (MSE) و میانگین قدر مطلق خطا (MAE) محاسبه شده و جهت مقایسه میزان دقت روش های مختلف پیش بینی، آزمون t مورد استفاده قرار گرفت. طبق نتایج، میزان خطای پیش بینی مدل ترکیبی یادگیری عمیق از دو مدل دیگر کمتر بوده و آزمون های آماری نیز در سطح اطمینان 95 درصد، معنی داری اختلاف دقت پیش بینی مدل ها را تایید می کند که عملکرد مناسب مدل ترکیبی پیشنهادی را در مقایسه با دو مدل دیگر نشان می دهد. | ||
| کلیدواژه‌ها | ||
| بازار سهام؛ پیش بینی؛ معیارهای نقدشوندگی؛ یادگیری عمیق | ||
| عنوان مقاله [English] | ||
| Liquidity prediction in Tehran stock exchange using learning models | ||
| نویسندگان [English] | ||
| Rahim Ghasemiyeh1؛ Hasanali Sinaei2؛ Sedighe Sahraei3 | ||
| 1Associate Professor, Department of Management, Faculty of Economics and Social Sciences, Shahid Chamran University of Ahvaz, Ahvaz, Iran | ||
| 2Professor, Department of Management, Faculty of Economics and Social Sciences, Shahid Chamran University of Ahvaz, Ahvaz, Iran | ||
| 3Master's student in financial management, Faculty of Economics and Social Sciences, Shahid Chamran University of Ahvaz, Ahvaz, Iran | ||
| چکیده [English] | ||
| Liquidity in the stock market expresses how close the stock is to cash. Since the Tehran Stock Exchange is included among the world's non-cash stock exchanges and the issue of stock liquidity is one of the main concerns of investors, therefore, in this research, an attempt is made to predict the liquidity of the stock exchange using deep learning models. The statistical population includes companies active in the Tehran Stock Exchange in the years 1394-1400, and 23 companies were studied as a sample. The transaction volume and value, stock turnover ratio, Amihood, the difference between the bid and ask prices (spread) and the relative spread were measured as liquidity measure and a fully connected neural network based on multilayer perceptron (MLP), mixed deep learning (MDL) model and classical linear regression (LR) model was tested. To measure the predictive power of the models, the mean squared error (MSE) and mean absolute error (MAE) measures were calculated, and t-test was used to compare the accuracy of forecasting methods. According to the results, the prediction error rate of MDL model is lower than the other two models, and the statistical tests also confirm the significance difference in the prediction accuracy of the models at the 95% confidence level, which shows the proper performance of the proposed hybrid model compared to two other models. | ||
| کلیدواژه‌ها [English] | ||
| stock market, prediction, liquidity criteria, deep learning | ||
| مراجع | ||
|
ابریشم گیر مالمیری، محمد کاظم، (1399)، بررسی تاثیر ساز و کار حاکمیت شرکتی بر نقدشوندگی سهام شرکت های پذیرفته شده در بورس اوراق بهادار تهران، به راهنمایی: داریوش دموری، موسسه آموزش عالی امام جواد(ع)، کارشناسی ارشد، گروه حسابداری.
حیدری زارع، بهزاد و کردلوئی، حمیدرضا، (1388)، پیش بینی قیمت سهام با استفاده از شبکه عصبی مصنوعی، فصلنامه مدیریت، 17، 56-49.
سینایی، حسنعلی، نیسی، عبدالحسین و فلاح پور، نسرین، (1400)، بررسی تاثیر ریسک سیستماتیک نقدشوندگی بر بازده سهام در بورس اوراق بهادار تهران، نشریه پژوهش های راهبردی بودجه و مالی، 2، 2، 77-51.
شریف فر، امیر، خلیلی عراقی، مریم، رئیسی وانانی، ایمان و فلاح، میرفیض، (1400)، ارزیابی و اعتبار سنجی معماری بهینه یادگیری عمیق در پیش بینی قیمت سهام (رویکرد الگوریتم LSTM)، فصلنامه مهندسی مالی و مدیریت اوراق بهادار، 48، 370-348.
فروغی، داریوش و فرجامی، ملیحه، (1394)، تاثیر همزمانی قیمت سهام و نوسان های بازده سهام بر نقدشوندگی سهام، فصلنامه علمی پژوهشی مدیریت دارایی و تامین مالی، 4، 98-85.
فیل سرائی، مهدی، آرین تبار، احمد و بختیاری، فائزه، (1401)، بررسی نقش عدم شفافیت اطلاعات مالی و کیفیت حسابرسی بر رابطه بین مالیات تهاجمی و همزمانی قیمت سهام، نشریه پژوهش های راهبردی بودجه و مالی، 4، 3، 89-127.
مسجد موسوی، میر سجاد، (1389)، بررسی رابطه بین نقدشوندگی دارایی ها و نقدشوندگی سهام در شرکت های پذیرفته شده در بورس اوراق بهادار تهران، به راهنمایی: حسن قالیباف اصل، دانشگاه علوم اقتصادی، کارشناسی ارشد، گروه مدیریت مالی.
نیک پی پسیان، وحید، رضازاده، علی، احمدی نژاد، حسین و احمدوند، شکوفه، (1401)، بررسی رابطه غیرخطی بازار سهام و رشد اقتصادی ایران (رویکرد الگوی خودرگرسیون با وقفه توزیعی)، نشریه پژوهش های راهبردی بودجه و مالی، 2، 3، 151-113.
وزان، میلاد، (1399)، یادگیری عمیق: اصول، مفاهیم و رویکردها. تهران: انتشارات میعاد اندیشه.
هادی دولابی، نسترن، (1397)، مطالعه نقدشوندگی سهام در بورس تهران با استفاده از عناصر ریز ساختار بازار، به راهنمایی: پرستو محمدی، دانشگاه تربیت مدرس، کارشناسی ارشد، گروه مدیریت سیستم و بهره وری.
Abrishamgir Malmiri, M. K. (2019). Investigating the impact of the corporate governance mechanism on the liquidity of the shares of companies admitted to the Tehran Stock Exchange. Master's Thesis, Department of Accounting, Imam Javad Institute of Higher Education, Yazd. (in persian)
Farjami, M. (2013). The impact of stock price synchronicity and volatilities of stock return on stock liquidity. Master's Thesis, Department of Accounting, Isfahan University, Faculty of Administrative and Economic Sciences, Isfahan.(in persian)
Fallah pour, N. (2020). Investigating the effect of systematic liquidity risk on stock returns in Tehran Stock Exchange. Master's thesis, Department of Management, Shahid Chamran University, Faculty of Economics and Social Sciences, Ahvaz. (in persian)
Filsaraei, M., Arian Tabar, A. & Bakhtiari, F. (2023). Examining the role of lack of transparency of financial information and audit quality on the relationship between aggressive taxation and stock price concurrency. Budget and Finance Strategic Research Journal, 3(4), 89-126. (in persian)
Guerra, P., Castelli, M., & Côrte-Real, N. (2022). Machine learning for liquidity risk modelling: A supervisory perspective. Economic Analysis and Policy, 74, 175-187.
Hadi Dolabi, N. (2018). A study of stock liquidity in Tehran Stock Exchange using market microstructure elements. Master's Thesis, System Management and Productivity Department, Tarbiat Modares University, Technical and Engineering Faculty, Tehran. (in persian)
Heydari Zare, B. and Kordloi, H. (2009). Stock price prediction using artificial neural network. Management Quarterly, 17, 56-49. (in persian)
Jeanne, O., & Sandri, D. (2023). Global financial cycle and liquidity management. Journal of International Economics, 103736.
Khang, P.Q., Hernes, M., Kuziak, K., Rot, A., Gryncewicz, W. (2020). Liquidity prediction on Vietnamese stock market using deep learning. International Conference on Knowledge-Based and Intelligent Information & Engineering Systems, 24, 2050-2058.
Luque Raya, I. M., & Luque Raya, P. (2023). Machine learning algorithms applied to the estimation of liquidity: the 10-year United States treasury bond. European Journal of Management and Business Economics.
Mark, L., Sandra, M. .(2009). Liquidity and capital structur. Journal of Financial Markets, 12, 611-644.
Masjed Mousavi, M. S. (2010). Investigating the relationship between asset liquidity and stock liquidity in companies listed on the Tehran Stock Exchange. Master's thesis, Department of Financial Management, University of Economic Sciences, Faculty of Financial Sciences, Tehran. (in persian)
Nikpey Pesyan, V., Reza Zadeh, A., Ahmadi Nejad, H. & Ahmadvand, Sh. (2022). Investigating the non-linear relationship between the stock market and Iran's economic growth (the autoregression model approach with a distributive break), Budget and Finance Strategic Research Journal, 3 (10), 113-151. (in persian)
Shariffar, A.; Khalili Iraqi, M.; Raeisi Vanani, I. and Falah, M. (2021). Evaluation and validation of deep learning optimal architecture in stock price forecasting (LSTM algorithm approach). Financial Engineering and Securities Management Quarterly, 48, 370-348. (in persian)
Vazan, M. (2020). Deep learning: principles, concepts and approaches. Tehran: Miaad Andisheh Publications. (in persian) | ||
|
آمار تعداد مشاهده مقاله: 401 تعداد دریافت فایل اصل مقاله: 499 |
||