عنوان پایان‌نامه
مقایسه کارآئی الگوریتم شبکه های عصبی مصو رکرسیون خطی در پیش بینی بازده غیر عادی در مدل قیمت گذاری دارایی های سرمایه ای با استفاده ازنسبت های مالی در شرکت ها ی بورس اوراق بهادار
- رشته تحصیلی
- مدیریت مالی
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 55116
- تاریخ دفاع
- ۲۹ شهریور ۱۳۹۱
- دانشجو
- مهدی بستان آراء
- استاد راهنما
- رضا راعی
- چکیده
- اطلاعات صورت های مالی، منبع اصلی تصمیم گیری برای سرمایه گذاران در سهام شرکت ها محسوب می شوند و استفاده از نسبت های مالی را می توان نخستین ابزار برای تحلیل آن ها دانست. هدف این پژوهش، بررسی امکان توضیح بازده غیرعادی (برابر با تفاضل بازده مورد انتظار حاصل از مدل قیمت گذاری دارایی های سرمایه ای از بازده محقق شده) با استفاده از هفت نسبت مالی مورد بحث و همچنین، انتخاب ابزار بهتر برای پیش بینی آن با استفاده از پارامترهای مذکور از بین دو مدل رگرسیون حداقل مربعات معمولی و شبکه های عصبی مصنوعی است. یافته های تحقیق حاکی از عدم رد فرضیه پژوهش، مبنی بر توانایی بالاتر الگوریتم شبکه های عصبی مصنوعی نسبت به رگرسیون خطی در پیش بینی برون نمونه ای بازده غیرعادی با استفاده از نسبت های مالی مورد استفاده در تحقیق؛ در سطح معنی داری 5 درصد بوده است.
- Abstract
- Financial statements are the main source of information for stock market investors and financial ratios are the primary tool for their analysis. The main goal pursued by this research includes two major questions: Firstly, whether it is possible to gain “Unexpected Returns” (in excess of expected return, determined by “Capital Assets Pricing Model”) using seven financial parameters, for publicly traded companies in Tehran Stock Exchange. Secondly, as suggested by the research hypothesis, are Artificial Neural Networks superior to Ordinary Least Square Regression Models in forecasting such returns? Based on research findings, Artificial Neural Networks can outperform Ordinary Least Squares Models in terms of one-step-ahead forecasting of unexpected returns.
