خلاصة:
هدف از پژوهش حاضر بررسی توانایی شبکههای عصبی مصنوعی و الگوریتمهای یادگیری ماشین شامل ماشینبردار پشتیبان و جنگل تصادفی در پیشبینی محتوای اطلاعاتی سود حسابداری قبل از اعلان آن در شرکتهای پذیرفته شده در بورس اوراق بهادار تهران در بازه زمانی سالهای 1394 الی 139۹ میباشد. برای جمعآوری دادههای موردنیاز پژوهش از نرمافزار رهآورد نوین استفاده شده است و با استفاده از روش نمونهگیری حذفی سیستماتیک ۸8 شرکت از جامعه آماری جهت انجام آزمونها انتخاب شدند. از نرمافزار متلب نسخه b ۲۰۱۸ بهمنظور مدلسازی شبکههای عصبی و الگوریتمهای یادگیری ماشین استفاده شده است و بهمنظور محاسبه بازده غیرعادی در شبکههای عصبی و الگوریتمهای یادگیری ماشین از کد نوشته شده در نرمافزار پایتون استفاده شده است. محتوای اطلاعاتی سود از طریق آزمون ارتباط بین سود و بازده غیرعادی و بر اساس مدل پورتتی و همکاران (2018) سنجیده شده است و بهمنظور محاسبه بازده غیرعادی از رابطه بازده جامع زیبراسکی (۲۰۰۴) استفاده گردیده است. متغیرهای ورودی شبکههای عصبی و الگوریتمهای یادگیری ماشین اندیکاتورهای تحلیل تکنیکال میباشند. بهمنظور ارزیابی عملکرد طبقهبندی، از معیارهای صحت، دقت، فراخوانی و فاکتور F بهعنوان معیارهای معمول برای ارزیابی نتایج طبقهبندیهای گسسته استفاده شده است. نتایج حاصل از پیشبینی سه مدل شبکههای عصبی مصنوعی و ماشینبردارپشتیبان و جنگل تصادفی نشان داد که ماشینبردارپشتیبان و جنگل تصادفی از دقت بالاتری نسبت به شبکههای عصبی مصنوعی، در پیشبینی استراتژی خرید، فروش و نگهداری برخوردار بودهاند و تنها ماشینبردارپشتیبان از سه مدل مذکور توان پیشبینی محتوای اطلاعاتی سود را داشته است.
Purpose: The aim of this research is to investigate the capability of artificial neural networks and machine learning algorithms, including Support Vector Machine and Random Forest, in predicting the information content of accounting profits before its announcement in accepted companies on the Tehran Stock Exchange during the period from 2015 to 2020.Methodology: Daily data required for the research were collected using Rahnaward-e-Novin software, and a systematic random sampling method was used to select 88 companies. MATLAB was used for modeling artificial neural networks and machine learning algorithms, and Python code was employed to calculate abnormal returns in neural networks and machine learning algorithms. The information content of profits was measured through the test of the relationship between profits and abnormal returns, based on the model by Porti et al. (2018). The input variables for artificial neural networks and machine learning algorithms are technical indicators. Accuracy, precision, recall, and F-score metrics were used for performance evaluation.Findings: The results of predicting with three models of artificial neural networks, Support Vector Machine, and Random Forest showed that Support Vector Machine and Random Forest had higher accuracy than artificial neural networks in predicting buy, sell, and hold strategies, and only Support Vector Machine had the ability to predict the information content of profits among the three models.Originality / Value: Designing a predictive model for stock price movements in the next trading day using artificial neural networks, Support Vector Machine, and Random Forest as the main innovation of the research. The research findings can increase the speed of information dissemination to the market and attract it, which will reduce the impact of informational asymmetry and information-based trading and ultimately enhance market efficiency.