ارائه مدلی مبتنی بر رفتار مالی سرمایه‌گذاران جهت پیش‌بینی قیمت سهام با استفاده از روش‌های فرا ابتکاری شبکه‌های عصبی

ارائه مدلی مبتنی بر رفتار مالی سرمایه‌گذاران جهت پیش‌بینی قیمت سهام با استفاده از روش‌های فرا ابتکاری شبکه‌های عصبی

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دیوان محاسبات گیلان، سرحسابرس ارشد، دانشجوی دکترای حسابداری

2 دانشیار، عضو هیات علمی دانشگاه آزاد اسلامی، واحد تهران مرکزی، گروه حسابداری، تهران ،ایران

چکیده

موضوع مالی رفتاری از جمله مباحث جدیدی است که در طول دو دهه گذشته توسط برخی اندیشمندان مالی مطرح گردید. ناشناخته ‌بودن عوامل تأثیرگذار بر تغییرات قیمت سهام، همواره دلیلی برای روی آوردن به پیش‌بینی قیمت سهام شرکت‌ها است. در اکثر مدل‌های پیش‌بینی‌کننده، سیستم فقط با استفاده از اطلاعات یک شاخص به پیش‌بینی می‌پردازد، اما در مدل پیشنهادی در این پژوهش یک سیستم دو سطحی از شبکه‌های عصبی پرسپترون چندلایه پیشنهاد شده و از چندین شاخص برای پیش‌بینی استفاده می‌شود. در این پژوهش داده‌های شاخص قیمت بورس اوراق بهادار تهران از سال 1391 تا 1395 برای پیش‌بینی در نظر گرفته شده است. در تحلیل رفتار مالی نتایج حاصل از این پژوهش پس از بررسی تأثیر هریک از عوامل رفتاری بر روی سرمایه‌گذاری دارایی‌های مالی نشان می‌دهد که تمام عوامل به غیر از عامل «بیش اطمینانی» روی سرمایه‌گذاری تأثیرگذار هستند و میزان این تأثیر برای هریک از جمله عوامل سود و زیان نسبی، اثر تمایلی، محافظه‌کاری، رفتار توده‌وار، شهود نمایندگی، اثر مالکیت و پشیمان گریزی متفاوت می‌باشد؛ که از بین این عوامل، عامل «سود و زیان نسبی» بیشترین تأثیر و عامل «پشیمان گریزی» کمترین تأثیر را بر روی سرمایه‌گذاری دارایی‌های مالی در بورس اوراق بهادار داشته است که این خود تأثیر مستقیم در شاخص قیمت بورس خواهد داشت. همچنین برای آموزش بهتر شبکه‌ی عصبی و درنتیجه بهبود نتایج به‌دست‌آمده، از الگوریتم بهینه‌سازی ملخ برای انتخاب بهترین نمونه‌ها استفاده شده است. نتایج به‌دست‌آمده نشان می‌دهد که مدل پیشنهادی توانسته با خطای پیش‌بینی پایین‌تری نسبت به دیگر مدل‌ها عمل کند.

کلیدواژه‌ها


عنوان مقاله [English]

Providing a model based on the financial behavior of investors in order to predict stock prices using ultra-innovative methods of neural networks

نویسندگان [English]

  • seyed hossain miralavi 1
  • zahra pourzamani 2
  • azita jahanshad 2
2 Associate Professor, Central Tehran Branch, Islamic Azad University, Tehran, Iran
چکیده [English]

The issue of behavioral finance is one of the new debates raised by some financial pundits over the past two decades. The unknown factors affecting stock price changes are always a reason to use stock price prediction. In most predictive models, the system performs prediction using only one indicator, but in the proposed model in this study, a two-level system of multilayered perceptron neural networks is presented, which uses several indicators for prediction. In this study, required information of Tehran stock exchange price indicators, for fiscal years 2012 - 2017 was collected. In order to analyze the financial behavior, after examining the effect of each behavioral factor on the investment of financial assets, the results show that all factors other than "over-confidence" affect investment, but the effectiveness of each factor, including "relative profit and loss", " disposition effect", "conservatism", "herd behavior", " representativeness", " ownership" and " regret aversion" is different. Among these factors, the "relative profit and loss" has had the most impact on the investment of financial assets in the stock exchange, and the " regret aversion" has the least, which proceeding a direct impact on the stock price index. Also, for better training of the neural network and consequently improving the results, grasshopper optimization algorithm is used to select the best samples. The results show that the proposed model could have lower predictive error than other models.

کلیدواژه‌ها [English]

  • financial behavior of investors
  • grasshopper optimizations evolutionary algorithm
  • multilayer perceptron neural network
  • time series
  1. اعتمادی، حسین؛ آذر، عادل و بقائی، وحید، (1391). "بکارگیری شبکه‌های عصبی در پیش‌بینی سودآوری شرکت‌ها  (شرکت‌های عضو بورس اوراق بهادار تهران)"، پایان‌نامه کارشناسی ارشد، دانشگاه تربیت مدرس.
  2.  اله‌یاری، ابراهیم. (1387). "بررسی شکل ضعیف کارایی بازار سرمایه در بورس اوراق بهادار تهران"، فصلنامه بورس اوراق بهادار، شماره 4.
  3. ور زمانی، زهرا. (1394). "کاربرد الگوریتم ژنتیک خطی و غیرخطی در بهبود قدرت پیش‌بینی سودآوری شرکت‌ها"،  فصلنامه مهندسی مالی و مدیریت اوراق بهادار، شماره 22.
  4. پور زمانی، زهرا؛ کی پور، رضا و نورالدین، مصطفی. (1389). "بررسی توانمندی الگوهای پیش‌بینی‌کننده بحران مالی (الگوهای مورد مطالعه: الگوهای مبتنی بر روش‌های سنتی، الگوریتم ژنتیک و شبکه‌های عصبی) "، فصلنامه مهندسی مالی و مدیریت پرتفوی، شماره 4.
  5. حجازی، رضوان؛ محمدی، شاپور و اصلانی، زهرا، (1391). "پیش بینی مدیریت سود با استفاده از شبکه عصبی و درخت تصمیم در شرکت های پذیرفته شده در بورس اوراق بهادار تهران"، بررسی‌های حسابداری و حسابرسی، دوره 19، شماره 68.
  6. راعی، رضا و فلاح‌پور، سعید. (1387). "کاربرد ماشین بردار پشتیبان در پیش‌بینی درماندگی مالی شرکت‌ها با استفاده از نسبت‌های مالی"، بررسی حسابداری و حسابرسی، دوره 15، شماره 53.
  7. راعی، رضا؛ نیک‌عهد قصیرائی، علی و حبیبی، مصطفی. (1395). "پیش‌بینی شاخص بورس اوراق بهادار تهران با ترکیب روش‌های آنالیز مؤلفه‌های اصلی، رگرسیون بردار پشتیبان و حرکت تجمعی ذرات"، راهبرد مدیریت مالی، شماره 15.
  8. رجب‌زاده، علی. (1376). "ارزیابی روش‌های پیش‌بینی ترکیبی کلاسیک در حوزه اقتصاد"، تحقیقات اقتصادی، شماره 63: 87-114.
  9. سینایی، حسنعلی؛ مرتضوی، سعیدا... و تیموری اصل، یاسر. (1384)، "پیش‌بینی شاخص بورس اوراق بهادار تهران با استفاده از شبکه‌های عصبی مصنوعی"، بررسی‌های حسابداری و حسابرسی، شماره 41: 59-83.
  10. عادل، آذر؛ افسر، امیر و احمدی، پرویز. (1385). "مقایسه روش‌های کلاسیک و هوش مصنوعی در پیش‌بینی شاخص قیمت سهام و طراحی مدل ترکیبی"، فصلنامه مدرس علوم انسانی، شماره 4.
  11. عباسپور، محمدرضا. (1381). "پیش‌بینی قیمت سهام شرکت ایران‌خودرو با شبکه عصبی"، پایان‌نامه کارشناسی ارشد، دانشگاه تربیت مدرس.
  12. فدائی نژاد، محمد اسماعیل. (1374). "بررسی کارایی بورس اوراق بهادار تهران"، رساله دکترا، دانشکده مدیریت، دانشگاه تهران.
  13. کوره‌پزان، امین. (1384)، "اصول تئوری مجموعه‌های فازی و کاربردهای آن"، انتشارات جهاد دانشگاهی واحد صنعتی امیرکبیر.
  14. 14.کاردان، بیتا؛ قره‌خانی، بیتا؛ صالحی، مهدی و منصوری، مرتضی، (1396). "بررسی دقت الگوریتم‌های خطی- تکاملی  BBO و icde و الگوریتم‌های غیرخطی CVR و CART در پیش‌بینی سود"، بررسی دقت پژوهش‌های حسابداری مالی، سال 9، شماره 31.

 

  1. گرد، عزیز؛ وقفی، سید حسام؛ حبیب‌زاده بایگی، سید جواد و خواجه‌زاده، سارا، (1394). "مقایسه دقت پیش‌بینی مدیریت سود با استفاده از الگوریتم‌های مورچگان و غذا یابی باکتری"، پژوهش‌های تجربی حسابداری، سال 4، شماره 15.
  2. منجمی، سید امیرحسین؛ ابزری، مهدی و رعیتی شوازی، علیرضا. (1388). "پیش‌بینی قیمت سهام در بازار بورس اوراق بهادار با استفاده از شبکه‌ی عصبی فازی و الگوریتم‌های ژنتیک و مقایسه‌ی آن با شبکه‌ی عصبی مصنوعی"، فصلنامه اقتصاد مقداری، دوره 6، شماره 3.
  3. منهاج، محمدباقر. (1379). "مبانی شبکه‌های عصبی مصنوعی"، انتشارات دانشگاه صنعتی امیرکبیر.
  4. نصراللهی، زهرا. (1371). "تجزیه‌وتحلیل عملکرد بورس اوراق بهادار"، پایان‌نامه کارشناسی ارشد، دانشگاه تربیت مدرس.
  5. نقدی، سجاد و عرب مازار یزدی، محمد، (1396). "ترکیب شبکه عصبی، الگوریتم‌های ژنتیک و الگوریتم‌های تجمع ذرات در پیش‌بینی سود هر سهم"، دانش حسابداری، دوره هشتم، شماره3.

 

20. Cheng, C.H.; Chen, T.L. & Haung, C.C. (2009). “Fuzzy dual-factor time series for stock index forecasting”, Expert Systems with Applications, 36, 65-171.

21. Fu-Hsiang C.; Der-Jang C. & Yi-Cheng W. (2015). “Detecting biotechnology industrys earnings management using Bayesian network, principal component analysis, back propagation neural network, and decision tree”, Economic Modelling, Volume 46, 1-10.

22. Grinblatta, M & Moskowitz, T.J. (2004). “Predicting stock price movements from past returns: the role of consistency and tax-loss selling”, Journal of Financial Economics, 71, 541-579.

23. http://new.tse.ir/

24. Hoglund, H. (2012). “Detecting earnings management with neural networks”, Export Systems With Applications, 39, 9564-9570.

25. Hongnan, L.; Heming, J.; Zhikai X.; Jun M. & Xiaoxu P. (2019). “Modified Grasshopper Algorithm-Based Multilevel Thresholding for Color Image Segmentation”, IEEE Access, Digital object identifier 10.1109/Access.2019.2891673.

26. Huang, W.; Nakamori, Y. & Wang, S.Y. (2005), “Forecasting stock marketmovement direction with support vector machines”, Computer & Operation Research, 32, 2513-2522.

27. Kara, Y.; Boyacioglu, M.A.; Baykan, O.K. (2011). “Predicting direction of stock price index movement using artificial neuralnetworks and support vector machines: The sample of the Istanbul Stock Exchange”, Expert Systems with Applications, 38, 5311–5319.

28. Kelly, Logan. (2007). “Measuring the Economic Stock of Money”, MPRA Paper. Bryant University.

29.  Lee, M.C. (2009). “Using support vector machine with a hybrid feature selection method to thestock trend prediction”, Expert Systems with Applications, 36, 10896-10904.

30. Majdi, M.; Ibrahim, A.; Hossam, F.; Abdelaziz, I. H.; Ala, M. A. & Seyedali, M. (2018). ). “Binary grasshopper optimisation algorithm approaches for feature selection problems”, Expert Systems with Applications, 117, 267-286.

31. McMillan, D.G. (2007). “Non-linear forecasting of stock returns: Does volume help?”, International Journal of Forecasting, 23, 115-126.

32. Najari, M., Hazarati, A., Rezaie, P. & Habibzadeh Baygi, J. (2014). “Forecasting of Erning Management by Support Vector Machine:Case Study in Tehran Exchange Stock”, Middle-East Journal of Scientific Research, 19(7),1007-1017.

33. Tsang, P. M.; Kwok, P.; Choy, S.O.; Kwan, R.; Ng, S.C.; Mak, J.; Tsang, J.; Koong, K. & Wong, T.L. (2007). “Design and implementation of NN5 forHong Kong stock price forecasting”, Engineering Applications ofArtificial Intelligence 20:453-461.

34. Yim, J. (2002). “A comparison of neural networks with time seriesmodels for forecasting returns on a stock market index”, Developments in Applied Artificial Intelligence, 25-35.

35. Zhang, Z.Y., et al. (2006). “Stock time series forecasting using support vector machines employeing analyst recommendations”, Advances in Neural Networks, 452-457.