پیش بینی سود هر سهم(EPS) با استفاده از شبکه های عصبی پرسپترون چند لایه(MLP) و توابع شعاعی بنیادین(RBF) در شرکت های پذیرفته شده در بورس اوراق بهادار تهران
نویسندگان
چکیده مقاله:
سود هر سهم یکی از فاکتورهای مالی بسیار مهم است که مورد توجه مدیران، سرمایه گذاران و تحلیل گران مالی می باشد و اغلب برای تصمیم گیری در خصوص سرمایه گذاری، ارزیابی سودآوری و ریسک مرتبط با سود و نیز قضاوت در خصوص قیمت سهام استفاده می شود، از این رو پیش بینی آن برای مدیران و ذینفعان حائز اهمیت اساسی است. هدف این تحقیق ارائهی مدلی به منظور پیش بینی سود هر سهم با استفاده از شبکه عصبی پرسپترون چند لایه(MLP) و شبکهی عصبی توابع شعاعی بنیادین(RBF) و تعیین مدل برتر با استفاده از معیار های ارزیابی عملکرد است. بدین منظور، شرکت های عضو بورس اوراق بهادار تهران به عنوان جامعه آماری تحقیق در نظر گرفته شدند و 630 سال-شرکت در قالب 24 صنعت فعال بورس در محدودهی زمانی 1388-1382 به عنوان نمونهی تحقیق انتخاب شدند. نتایج تحقیق نشان می دهد که شبکهی MLP خطای پیش بینی کمتری نسبت به شبکهی RBF دارد و همبستگی بین داده های واقعی و داده های پیش بینی شده توسط این شبکه نیز از RBF بیشتر است؛ در نتیجه دقت پیش بینی شبکهیMLP بیشتر از شبکهی RBF است.
منابع مشابه
پیش بینی ورشکستگی شرکت های پذیرفته شده در سازمان بورس و اوراق بهادار با استفاده از شبکه عصبی مصنوعی
آگاهی از وضعیت مالی شرکت های بازار سرمایه همیشه یکی از دغدغه های سهامداران و تحلیلگران اقتصادی است؛ از این رو تحلیل گران و محقیق بازار های مالی همیشه به دنبال روش هایی برای پیش بینی شرایط آتی شرکت های حاضر در بازار سرمایه بودند. تحقیق پیش رو نیز به دنبال ایجاد مدلی برای پیش بینی ورشکستگی شرکت های حاضر در بازار بورس و اوراق بهادار با استفاده از شبکه عصبی مصنوعی است. در این تحقیق از نسبت های مالی...
متن کاملپیش بینی مدیریت سود با استفاده از شبکه عصبی و درخت تصمیم در صنایع کشاورزی و نساجی شرکت های پذیرفته شده در بورس اوراق بهادار تهران
امروزه روش های کمی، به یکی ازمهمترین ابزارهای پیش بینی برای اخذ تصمیمات و سرمایه گذاری های کلان دربازارها تبدیل شده اند. دقت پیش بینی، یکی ازمهم ترین فاکتورهای انتخاب روش پیش بینی است. هدف اصلی این تحقیق بررسی دقت پیش بینی مدیریت سود با استفاده ازشبکه های عصبی و درخت تصمیم گیری و مقایسه آن بامدل های خطی است. برای این منظورنه متغیر تأثیرگذار برمدیریت سود به عنوان متغیرهای مستقل واقلام تعهدی اختی...
متن کاملپیش بینی قیمت سهام شرکت های بورس اوراق بهادار تهران با استفاده از شبکه های عصبی مصنوعی
پیشبینی تغییر قیمت سهام به عنوان یک فعالیت چالشانگیز در پیشبینی سریهای زمانی مالی در نظر گرفته میشود. یک پیشبینی صحیح از تغییر قیمت سهام میتواند سود زیادی را برای سرمایهگذاران به بار آورد. با توجه به پیچیدگی دادههای بازار بورس، توسعه مدلهای کارآمد برای پیشبینی بسیار دشوار است. در این پژوهش، مدلی برای پیشبینی قیمت سهام شرکتهای بورس اوراق بهادار تهران با بکارگیری دادههای درونزا...
متن کاملرابطه محافظه کاری حسابداری با تغییرات پیش بینی سود در شرکت های پذیرفته شده بورس اوراق بهادار تهران
این مقاله فاقد چکیده میباشد.
متن کاملپیش بینی شاخص بورس اوراق بهادار تهران با استفاده از شبکه های عصبی
اندازه و روند شاخصهای قیمت سهام یکی از مهمترین عوامل تاثیرگذار بر تصمیمات سرمایه گذاران در بازارهای مالی میباشد. جهت پیشبینی بازار از تکنیکهای مختلفی استفاده شده است که معمولترین آنها روشهای رگرسیون و مدلهای 3ARIMA هستند اما این مدلها در عمل جهت پیشبینی بعضی از سریها ناموفق بودهاند. در تحقیق حاضر برای پیشبینی شاخص کل بورس از مدل شبکههای عصبی پیش خور4 با قانون یادگیری پس انتشار خطا5 در...
متن کاملارائه مدل ریاضی پیش بینی ورشکستگی شرکت های پذیرفته شده در بورس اوراق بهادار تهران
در این مقاله پنج مدل مهم پیشبینی ورشکستگی را مطالعه و از میان متغیرهای پنج مدل، مدل بازطراحی شده پیشبینی ورشکستگی را ارائه میکنیم که دربرگیرنده هشت متغیر میباشد. مسأله اصلی در این تحقیق این است که با بررسی و تحلیل صورتهای مالی شرکتهای پذیرفته شده در بورس اوراق بهادار تهران بتوانیم مدلی برای پیشبینی ورشکستگی شرکتها ارائه نماییم. به منظور طراحی مدل، از اطلاعات دو گروه از شرکتهای پذیرفت...
متن کاملمنابع من
با ذخیره ی این منبع در منابع من، دسترسی به آن را برای استفاده های بعدی آسان تر کنید
ذخیره در منابع من قبلا به منابع من ذحیره شده{@ msg_add @}
عنوان ژورنال
دوره 6 شماره 21
صفحات 100- 115
تاریخ انتشار 2014-03-21
با دنبال کردن یک ژورنال هنگامی که شماره جدید این ژورنال منتشر می شود به شما از طریق ایمیل اطلاع داده می شود.
میزبانی شده توسط پلتفرم ابری doprax.com
copyright © 2015-2023