مدل‌سازی و پیشبینی بازده عرضۀ اولیۀ سهام با استفاده از الگوریتمهای یادگیری ماشین تقویت گرادیان | ||
| تحقیقات مالی | ||
| دوره 28، شماره 3، 1405، صفحه 885-932 اصل مقاله (1.47 M) | ||
| نوع مقاله: مقاله علمی پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22059/frj.2025.400625.1007779 | ||
| نویسندگان | ||
| فاطمه مالمیر1؛ فرشید خیراللهی* 2؛ حسین یاراحمدی3؛ فرید صفتی4 | ||
| 1دانشجوی دکتری، گروه حسابداری، واحد بروجرد، دانشگاه آزاد اسلامی، بروجرد، ایران. | ||
| 2استادیار، گروه حسابداری، دانشکدۀ اقتصاد و حسابداری، دانشگاه رازی، کرمانشاه، ایران. | ||
| 3استادیار، گروه مهندسی کامپیوتر، واحد بروجرد، دانشگاه آزاد اسلامی، بروجرد، ایران. | ||
| 4استادیار، گروه حسابداری، واحد بروجرد، دانشگاه آزاد اسلامی، بروجرد، ایران. | ||
| چکیده | ||
| هدف: این پژوهش با هدف توسعۀ مدلی نوین مبتنی بر الگوریتم تقویت گرادیان و معماری ترانسفورمر برای پیشبینی دقیق نسبت‌های ارزش‌گذاری شرکت‌ها در زمان عرضۀ اولیه سهام در بازار ایران انجام شده است. برخلاف رویکردهای سنتی که بر بازده روز اول تمرکز دارند، این پژوهش قیمت‌گذاری نسبی شرکت‌ها را از طریق سه نسبت کلیدی (ارزش بازار به ارزش دفتری، ارزش شرکت به کل دارایی‌ها و ارزش شرکت به فروش) ارزیابی می‌کند. با توجه به پیچیدگی‌های بازار ایران، شامل نوسان‌های شدید اقتصادی، تورم مزمن، تحریم‌های اقتصادی و محدودیت‌های نظارتی، این پژوهش برای سرمایه‌گذاران، پذیره‌نویسان و نهادهای نظارتی، ابزاری کارآمد به‌منظور تصمیم‌گیری آگاهانه‌تر ارائه می‌دهد. روش: این مطالعه با رویکرد کمّی ـ کاربردی و با استفاده از داده‌های 163 شرکت (42 بورسی و 121 فرابورسی) در بازۀ 1392 تا 1402 انجام شد. این دوره شامل شرایط اقتصادی متنوع از جمله تحریم‌های شدید، نوسان‌های ارزی، رکود و رونق اقتصادی است. متغیرهای مستقل شامل ویژگی‌های مالی شرکت‌ها (اندازه، نسبت بدهی، سودآوری، بازده دارایی‌ها، حاشیۀ سود، نسبت جریان نقدی، اهرم مالی و میانگین موزون هزینۀ سرمایه) و متغیرهای کلان اقتصادی (نرخ تورم، شاخص کل بورس، شاخص تحریم، نرخ ارز و نرخ بهره) بودند. معماری پیشنهادی، ترکیبی از الگوریتمهای درختی تقویت گرادیان، شبکه‌های حافظۀ طولانی ـ کوتاه‌مدت و سازوکار‌های خودتوجهی است که از طریق جست‌وجوی خودکار معماری بهینه‌سازی شد. پارامترهای بهینه عبارت‌اند از: میزان یادگیری 001/0 و صدوپنجاه درخت تصمیم، چهار گام زمانی و سه لایۀ خودتوجهی. مدل با روش‌های سنتی (رگرسیون خطی) و پیشرفته (الگوریتمهای تقویت گرادیان استاندارد، جنگل تصادفی و شبکه‌های عصبی بازگشتی) مقایسه و از طریق روش اعتبارسنجی متقابل ده‌تایی و بوت‌استرپ، اعتبارسنجی شد. یافته‌ها: نتایج پژوهش برتری قاطع مدل پیشنهادی را در پیشبینی هر سه نسبت ارزش‌گذاری نشان داد. برای نسبت ارزش بازار به ارزش دفتری، مدل توسعه‌یافته با ضریب تعیین 853/0 و ریشۀ میانگین مربعات خطای 497/0، نسبت به رگرسیون خطی (ضریب تعیین 534/0)، به بهبود 60 درصدی در دقت پیشبینی دست یافت. در پیشبینی نسبت ارزش شرکت به کل دارایی‌ها، ضریب تعیین 865/0 و کاهش 69 درصدی میانگین مربعات خطا (از 152/0 به 047/0) به‌دست آمد. برای نسبت ارزش شرکت به فروش نیز با ضریب تعیین 846/0، بهبود 67 درصدی در دقت نسبت به روش‌های سنتی مشاهده شد. سایر مدل‌های پیشرفته نیز عملکرد درخور توجهی داشتند؛ اما به سطح مدل پیشنهادی نرسیدند. آزمون‌های اعتبارسنجی متقابل، پایداری بسیار خوب مدل را با انحراف معیار بسیار پایین (در حدود 01/0) تأیید کرد که نشان‌دهندۀ قابلیت تعمیم‌پذیری و اعتماد‌پذیری مدل در شرایط مختلف است. تحلیل اهمیت متغیرها نشان داد که میزان تورم با میانگین اهمیت 19/0، به‌عنوان دومین عامل مهم در تمامی مدل‌ها عمل می‌کند که بیانگر تأثیر عمیق شرایط اقتصادی کلان بر ارزش‌گذاری شرکت‌ها در بازار ایران است. بازده دارایی‌ها با اهمیت 21/0 برای نسبت ارزش بازار به ارزش دفتری، حاشیۀ سود با اهمیت 225/0 برای نسبت ارزش شرکت به فروش و نسبت جریان نقدی به دارایی‌ها با اهمیت 2/0 برای نسبت ارزش شرکت به دارایی‌ها، به‌عنوان مهم‌ترین شاخص‌های عملکرد مالی شناسایی شدند. نتیجه‌گیری: یافته‌ها بر اهمیت به‌کارگیری تکنیک‌های نوین یادگیری ماشین در پیشبینی نسبت‌های ارزش‌گذاری عرضه‌های اولیه تأکید دارد. مدل توسعه‌یافته با کاهش 60 تا 69 درصدی خطای پیشبینی، ابزاری پیشرفته برای پذیره‌نویسان، سرمایه‌گذاران و مدیران سرمایه فراهم می‌آورد تا ریسک کم‌ارزش‌گذاری یا بیش‌ارزش‌گذاری را کاهش دهند. شناسایی نقش محوری نرخ تورم نشان‌دهندۀ حساسیت بسیار زیاد ارزش‌گذاری‌ها به شرایط کلان اقتصادی در بازار ایران است. این پژوهش در سه حوزۀ کلیدی مشارکت دارد: معرفی معماری نوین ترکیبی، ارائه چارچوب جامع اعتبارسنجی و شناسایی تفاوت‌های اهمیت متغیرها برای نسبت‌های مختلف ارزش‌گذاری در شرایط اقتصادی ناپایدار. | ||
| کلیدواژه‌ها | ||
| پیشبینی؛ عرضۀ اولیه سهام؛ الگوریتم تقویت گرادیان؛ یادگیری ماشین؛ بازار سرمایۀ ایران. | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 993 تعداد دریافت فایل اصل مقاله: 28 |
||