مقاله

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.

اسناد مشابه