مقایسه کارآیی مدلهای رگرسیون با رویکرد تحلیل مؤلفههای اصلی (pca) وشبکههای عصبی مصنوعی درپیشبینی بازده غیرعادی
چکیده
بسیاری از پژوهشها در علم مالی بر پیشبینی دقیق بازده شرکتها با در نظر داشتن ریسک سرمایهگذاری در سهام آنها تمرکز داشتهاند. هدف این پژوهش،بررسی امکان توضیح بازده غیرعادی(تفاوت بازده مورد انتظار حاصل از مدل قیمتگذاری داراییهای سرمایهای و بازده واقعی) بااستفاده ازنسبتهای مالی وانتخاب ابزاربهتر برای پیشبینی آن از بین دومدل رگرسیون چندگانه با رویکرد تحلیل مؤلفههای اصلی (pca) وشبکههای عصبی مصنوعی(ann) است. بر این اساس توانایی مدل شبکههای عصبی مصنوعی پیشخور با الگوریتم پسانتشار خطا (bpn) در پیشبینی برون نمونهایِ بازده غیرعادی سهام مورد معامله در بورس اوراق بهادار تهران در سالهای 1384 تا 1391 به طور معناداری بیشتر از توانایی رگرسیون خطی با رویکرد تحلیل مؤلفههای اصلی بوده است.