عنوان پایان‌نامه
پیش بینی بازده نقدی و قیمت سهام با استفاده از رگرسیون تعمیم یافته شبکه عصبی در شرکتهای پذیرفته شده در بورس اوراق بهادار تهران
- رشته تحصیلی
- مدیریت مالی
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 70856
- تاریخ دفاع
- ۰۳ اسفند ۱۳۹۳
- دانشجو
- فرزانه طهرانچی
- استاد راهنما
- رضا تهرانی
- چکیده
- سرمایه گذاری در سهام عرضه شده در بورس اوراق بهادار یکی از گزینه های پر سود در بازار سرمایه است. بازار سهام دارای سیستمی غیرخطی و آشوب گونه است که تحت تاثیر شرایط سیاسی، اقتصادی و روان شناسی می باشد و می توان از سیستم های هوشمند غیرخطی همچون شبکه های عصبی مصنوعی ، شبکه های عصبی فازی و الگوریتم های ژنتیک برای پیش بینی قیمت سهام استفاده نمود. متغیرهای بسیار زیادی در قیمت و بازده سهام تاثیرگذار می باشند که از جمله مهم ترین آن ها می توان به تاثیر سود تقسیمی و مولفه های مرتبط با آن اشاره کرد. این پژوهش ابتدا به بررسی تاثیر سود تقسیمی، سود انباشته و ارزش دفتری هر سهم بر قیمت سهام شرکت های پذیرفته شده در بورس اوراق بهادار تهران پرداخته و سپس با تشریح نظریات مرتبط با سیاست های سود تقسیمی، به بررسی عوامل اثرگذار بر بازده نقدی سهم از جمله اندازه شرکت، بازده حقوق صاحبان سهام، ریسک، جریانات نقدی آزاد و غیره می پردازد. برای این منظور، ابتدا یک رگرسیون چند متغیره ساده برازش گردیده و سپس این دو مدل با استفاده از رگرسیون تعمیم یافته در شبکه عصبی نیز اجرا می گردد. نتایج این پژوهش نشان می دهد که شبکه عصبی رگرسیون تعمیم یافته نسبت به رگرسیون چند متغیره ساده، توانایی بیشتری در برآورد قیمت سهام و همچنین برآورد بازده نقدی سهام دارد. همچنین، بر طبق نتایج این پژوهش، درحالی که بین قیمت سهام و سود تقسیمی هر سهم، یک رابطه معکوس و بین قیمت سهام و ارزش دفتری هر سهم، رابطه مستقیم وجود دارد؛ هیچ رابطه معناداری میان قیمت سهام و سود انباشته هر سهم مشاهده نمی شود.
- Abstract
- The aims of this research are to identify relevant variables, and to test the predictive abilities of the models used for determining both share prices and dividend yields of securities listed on the Tehran Security Exchange. As far as share prices are concerned our focus is on whether dividends are more important than retentions. As far as dividend yields are concerned, we are more interested in identifying relevant variables, and assessing which of these are more important than others. For this purpose, at first a simple multiple regression used to fit the model, and then the same modeling will be done by using generalized regression neural networks. Finally The results of the two methods will be compared. The results show that the generalized regression neural network offers a greater ability to predict stock prices and stock dividend yields compared to a simple multiple regression. Also, according to the results of this research, while there is a negative relationship between stock price and dividend per share, and a positive relationship between stock price and book value per share per share, No significant relationship between stock prices and retained earnings per share is not observed.
