خلاصة:
براساس تحقیقات بازار سرمایه، شوک منفی قیمت سهام در هر بازار تابع عوامل محیطی و ویژگی‌های خاص شرکتی بوده و هر بینشی درمورد چگونگی تشریح و پیشبینی شوک، می‌تواند بر تصمیمات سرمایه‌گذاران و فعالان حاضر در بورس اثرگذار باشد. در این پژوهش بر اساس داده‌های مرتبط با 140 شرکت‌ها اقدام به پیشبینی شوک قیمتی سهام با تاکید بر نسبتهای مالی شده است. به‌منظور انتخاب متغیرهای بهینه از مجموعه 96 متغیر، از دو الگوریتم تکاملی بهینه‌سازی ازدحام ذرات و الگوریتم ژنتیک استفاده‌شده است. پس از به‌کارگیری الگوریتمهای ذکرشده درنهایت 8 متغیر تاثیرگذار بر شوکهای دائم و موقت استخراج گردید که در مدل رگرسیونی باقیمانده مستحکم در تحقیق تاثیر آنها بر متغیر پیشبینی شونده شوک بررسی گردید. نتایج حاصل از RSME مدلهای بررسی‌شده بهترتیب برای شوک دائم (الگوریتم ژنتیک)، شوک دائم (الگوریتم تکاملی بهینه‌سازی ازدحام ذرات)، شوک موقت (الگوریتم ژنتیک) و شوک موقت (الگوریتم تکاملی بهینه‌سازی ازدحام ذرات)، 5.8433، 5.6284، 7.537 و 7.295 میباشد. همان‌طور که مشاهده میشود RSME در شوک دائم براساس الگوریتم ژنتیک، بیشتر از RSME مدل شوک دائم براساس الگوریتم تکاملی بهینه‌سازی ازدحام ذرات میباشد. همچنین در مدل شوک موقت براساس الگوریتم ژنتیک RSME مدل، بیشتر از RSME مدل شوک موقت براساس الگوریتم تکاملی بهینه‌سازی ازدحام ذرات میباشد. بنابراین می‌توان بیان نمود که رگرسیون برآورد شده بر اساس متغیرهای انتخابی از الگوریتم تکاملی بهینه‌سازی ازدحام ذرات دارای RSME پایین‌تر بوده و قدرت پیش‌بینی‌کنندگی بهتری نسبت به متغیرهای انتخابی از الگوریتم ژنتیک دار
AbstractAccording to capital market research, the negative stock price shock in any market is a function of environmental factors and specific characteristics of the company, and any insight on how to describe and predict the shock can affect the decisions of investors and activists in the stock market. In this study, based on data related to 140 companies listed on the Tehran Stock Exchange.we have attempted to predict stock price shocks with emphasis on financial ratios. In order to select the optimal variables from the set of 96 variables, two evolutionary algorithms of particle swarm optimization and genetic algorithm have been used. After applying the mentioned algorithms, finally, 8 variables affecting permanent and temporary shocks were extracted, which in the regression model mentioned in the research, their effect on the predictor of shock was investigated. the results of RSME model are the permanent shock (genetic algorithm), permanent shock (particle swarm optimization), temporary shock (genetic algorithm) and temporary shock (particle swarm optimization (particle swarm optimization), 5.8433 , 5.6284 , 7.537 and 7.295 . as we observe , RSME in permanent shock based on genetic algorithm is more than RSME permanent shock model based on the evolutionary algorithm of particle swarm optimization. also in the transient shock model based on the genetic algorithm , the model is more than RSME of the temporary shock model based on the evolutionary algorithm of particle swarm optimization . It can therefore be stated that the estimated regression is based on the selected variables from the evolutionary algorithm of the particle swarm optimization, and has better predictive power than the selected variables of the genetic algorithm.
(
, 
, 
)
