بررسی مؤلفه‌های تأثیرگذار بر پیش‌بینی سود نقدی سهام با استفاده از مدل‌های ترکیبی: مورد صنعت شیمیایی
۱۳۹۶/۰۵/۱۹
از آنجا که پیش‌بینی سود نقدی شرکت‌ها یکی از منابع اطلاعاتی با ارزش برای سرمایه‌گذاران و دیگر افراد ذینفع است، پژوهش حاضر تلاش می‌کند مدل‌هایی برای پیش‌بینی متغیرهای تأثیرگذار بر سود نقدی سهام پیشنهاد کند. برای این کار از اطلاعات شرکت‌های شیمیایی پذیرفته شده در بورس تهران بین سال‌های 1385 تا 1389 استفاده شده است. متغیرهای مستقل این تحقیق نسبت‌های حسابداری و متغیر وابسته سود نقدی سهام است. چارچوب مدل، ترکیبی از الگوریتم‌های PSO-SVR و PSO-LARS است. الگوریتم PSO، ترکیب بهینه‌ای از متغیرها که بر پیش‌بینی سود نقدی تأثیر گذارند را شناسایی می‌کند. سپس داده‌های مربوط به متغیرهای انتخاب شده توسط PSO به طور جداگانه به الگوریتم‌های SVR و LARS وارد می‌شوند و این الگوریتم‌ها را آموزش می‌دهند. در ادامه الگوریتم‌های SVR و LARS با داده‌های ارزیابی آزموده می‌شوند و به این ترتیب می‌توان خطای پیش‌بینی را اندازه گیری و روش‌ها را با هم مقایسه کرد. نتایج این پژوهش نشان می‌دهد ترکیب الگوریتم PSO با الگوریتم SVR یا ترکیب PSO-LARS در مقایسه با استفاده از الگوریتم‌های LARS و SVR به تنهایی می‌تواند پیش‌بینی بهتری از عوامل تأثیرگذار مورد نظر داشته باشد. ضمن این که در مقایسه دو روش ترکیبی PSO-LARS و PSO-SVR، خطای پیش‌بینی PSO-SVR کمتر است.