خلاصة:
ریسک سقوط قیمت سهام، شاخصی برای اندازهگیری عدم تقارن در ریسک محسوب میشود و از اهمیت فراوانی در تحلیل پرتفوی و قیمتگذاری داراییهای سرمایهای برخوردار است. با توجه به اهمیت ریسک سقوط، پژوهشهای متعددی به بررسی عوامل موثر بر آن پرداختهاند که در تمام آنها از روشهای سنتی به منظور پیشبینی استفاده شده است در حالیکه در سالهای اخیر روشهای نوین فراابتکاری در سایر مباحث مالی به طور گستردهای مورد استفاده قرار گرفته است و نتایج بهتری داشتهاند. هدف این پژوهش، مدلبندی پیشبینی خطر سقوط قیمت سهام شرکتهای پذیرفتهشده در بورس اوراق بهادار تهران، با استفاده از الگوریتم ژنتیک و مقایسه نتایج با رگرسیون لجستیک میباشد. بدین منظور یک فرضیه برای بررسی این موضوع تدوین و دادههای مربوط به 107 شرکت عضو بورس اوراق بهادار تهران برای دوره زمانی بین سالهای 1389تا 1395 مورد تجزیه و تحلیل قرار گرفت. ابتدا 14 متغیر مستقل به عنوان ورودی الگوریتم ترکیبی ژنتیک و شبکه عصبی مصنوعی که به عنوان یک روش انتخاب ویژگی در نظر گرفته شده است، وارد مدل گردید و 7 متغیر بهینه انتخاب شد سپس با استفاده از الگوریتم ژنتیک و رگرسیون لجستیک اقدام به پیشبینی خطر سقوط قیمت سهام گردید. برای محاسبه خطر سقوط قیمت سهام از معیار دوره خطر استفاده شده است. .نتایج این پژوهش نشان میدهدکه مدل مبتنی بر الگوریتم ژنتیک نسبت به رگرسیون لجستیک، برای پیشبینی خطر سقوط قیمت سهام توانایی بیشتری دارد. بنابراین فرضیه پژوهش تأیید میشود.
The stock price crash risk is an indicator for measuring risk asymmetry and is of great importance in analyzing portfolios and pricing asset holdings. Considering the importance of the risk of collapse, several studies have examined the effective factors on it, all of which use traditional methods of forecasting, while in recent years, new methods of hypermetricity have been widely used in other financial issues. It has been used and has had better results. The purpose of this research is to model the stock price crash risk of listed companies in Tehran Stock Exchange using the genetic algorithm and compare the results with logistic regression. For this purpose, a hypothesis was developed for the study of this issue and the data of 107 Tehran Stock Exchange listed companies for the period of 2010-2010 were analyzed. First, 14 independent variables were introduced as inputs of the combined genetic algorithm and artificial neural network, which was considered as a feature selection method, and 7 optimal variables were selected. Then, using genetic algorithm and logistic regression, predicted risk Stock price collapse. The risk of falling stock prices has been used to measure the risk period. The results of this study indicate that a genetic algorithm based model is more capable of predicting the stock price crash risk than logistic regression. Therefore, the research hypothesis is confirmed.
ملخص الجهاز:
پیش بینی خطر سقوط قیمت سهام با استفاده از الگوریتم ژنتیک و مقایسه با رگرسیون لوجستیک ، با تأکید بر نگرش انتخاب ویژگی اسفندیار ملکیان 1 2 حسین فخاری 3 جمال قاسمی 4 سروه فرزاد چکیده ریسک سقوط قیمت سهام ، شاخصی برای اندازه گیری عدم تقارن در ریسک محسوب میشود و از اهمیت فراوانی در تحلیل پرتفوی و قیمت گذاری داراییهای سرمایه ای برخوردار است .
هدف این پژوهش ، مدل بندی پیش بینی خطر سقوط قیمت سهام شرکت های پذیرفته شده در بورس اوراق بهادار تهران ، با استفاده از الگوریتم ژنتیک و مقایسه نتایج با رگرسیون لجستیک میباشد.
ابتدا ١٤ متغیر مستقل به عنوان ورودی الگوریتم ترکیبی ژنتیک و شبکه عصبی مصنوعی که به عنوان یک روش انتخاب ویژگی در نظر گرفته شده است ، وارد مدل گردید و ٧ متغیر بهینه انتخاب شد سپس با استفاده از الگوریتم ژنتیک و رگرسیون لجستیک اقدام به پیش بینی خطر سقوط قیمت سهام گردید.
نتـایج نشـان میدهد دقت پیش بینی نسبت به سایر مدل های استفاده شده در این پژوهش به مراتب بهتـر بـوده است با توجه به بررسی پژوهش های انجام گرفته مشخص شد تا کنـون هـیچ پژوهشـی در زمینـه خطر سقوط قیمت سهام با الگوریتم های فراابتکاری صـورت نگرفتـه اسـت .
در این پژوهش به بررسی توانایی الگوریتم ژنتیک جهت پیش بینی خطر سقوط قیمت سهام شرکت های پذیرفته شده در بورس اوراق بهادار تهران و مقایسه نتایج با رگرسیون لجستیک به عنوان یکی از پرکاربردترین روش های آماری در زمینه پیش بینیهای مالی پرداخته شد.