تعداد نشریات | 39 |
تعداد شمارهها | 1,116 |
تعداد مقالات | 8,124 |
تعداد مشاهده مقاله | 6,017,979 |
تعداد دریافت فایل اصل مقاله | 3,279,713 |
پیش بینی نقدشوندگی در بورس اوراق بهادار تهران با استفاده از مدل های یادگیری | ||
پژوهش های راهبردی بودجه و مالی | ||
مقاله 1، دوره 4، شماره 3 - شماره پیاپی 15، شهریور 1402 اصل مقاله (944.92 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 | ||
مراجع | ||
| ||
آمار تعداد مشاهده مقاله: 104 تعداد دریافت فایل اصل مقاله: 91 |