چکیده:
موضوع مالی رفتاری از جمله مباحث جدیدی است که در طول دو دهه گذشته توسط برخی اندیشمندان مالی مطرح گردید. ناشناخته بودن عوامل تأثیرگذار بر تغییرات قیمت سهام، همواره دلیلی برای روی آوردن به پیشبینی قیمت سهام شرکتها است. در اکثر مدلهای پیشبینیکننده، سیستم فقط با استفاده از اطلاعات یک شاخص به پیشبینی میپردازد، اما در مدل پیشنهادی در این پژوهش یک سیستم دو سطحی از شبکههای عصبی پرسپترون چندلایه پیشنهاد شده و از چندین شاخص برای پیشبینی استفاده میشود. در این پژوهش دادههای شاخص قیمت بورس اوراق بهادار تهران از سال 1391 تا 1395 برای پیشبینی در نظر گرفته شده است. در تحلیل رفتار مالی نتایج حاصل از این پژوهش پس از بررسی تأثیر هریک از عوامل رفتاری بر روی سرمایهگذاری داراییهای مالی نشان میدهد که تمام عوامل به غیر از عامل «بیش اطمینانی» روی سرمایهگذاری تأثیرگذار هستند و میزان این تأثیر برای هریک از جمله عوامل سود و زیان نسبی، اثر تمایلی، محافظهکاری، رفتار تودهوار، شهود نمایندگی، اثر مالکیت و پشیمان گریزی متفاوت میباشد؛ که از بین این عوامل، عامل «سود و زیان نسبی» بیشترین تأثیر و عامل «پشیمان گریزی» کمترین تأثیر را بر روی سرمایهگذاری داراییهای مالی در بورس اوراق بهادار داشته است که این خود تأثیر مستقیم در شاخص قیمت بورس خواهد داشت. همچنین برای آموزش بهتر شبکهی عصبی و درنتیجه بهبود نتایج بهدستآمده، از الگوریتم بهینهسازی ملخ برای انتخاب بهترین نمونهها استفاده شده است. نتایج بهدستآمده نشان میدهد که مدل پیشنهادی توانسته با خطای پیشبینی پایینتری نسبت به دیگر مدلها عمل کند.
The issue of behavioral finance is one of the new debates raised by some financial pundits over the past two decades. The unknown factors affecting stock price changes are always a reason to use stock price prediction. In most predictive models, the system performs prediction using only one indicator, but in the proposed model in this study, a two-level system of multilayered perceptron neural networks is presented, which uses several indicators for prediction. In this study, required information of Tehran stock exchange price indicators, for fiscal years 2012 - 2017 was collected. In order to analyze the financial behavior, after examining the effect of each behavioral factor on the investment of financial assets, the results show that all factors other than "over-confidence" affect investment, but the effectiveness of each factor, including "relative profit and loss", " disposition effect", "conservatism", "herd behavior", " representativeness", " ownership" and " regret aversion" is different. Among these factors, the "relative profit and loss" has had the most impact on the investment of financial assets in the stock exchange, and the " regret aversion" has the least, which proceeding a direct impact on the stock price index. Also, for better training of the neural network and consequently improving the results, grasshopper optimization algorithm is used to select the best samples. The results show that the proposed model could have lower predictive error than other models.
خلاصه ماشینی:
پژوهش حاضر اهداف علمی ذیل را دنبال میکند: - تبیین انتخاب بهترین نمونه ها و همچنین عوامل مؤثر در پیش بینی سری زمانی مالی با هدف بالا بردن دقت پیش بینیها - بررسی و مقایسه عوامل رفتاری سرمایه گذاران بورس اوراق بهادار تهران با در نظر گرفتن پیش بینی قیمت سهام شرکت در کنار عوامل دیگر از جمله دوری از تأسف و پشیمانی، اثر تمایلی، حسابداری ذهنی، بیش اطمینانی، شهود نمایندگی، رفتار توده وار و محافظه کاری و اثر مالکیت بر روی سرمایه گذاری داراییهای مالی از جنبه کاربردی، مدل پیشنهادی میتواند به صورت برای پیش بینی قیمت سهام در بورس اوراق بهادار و به عنوان مثال قیمت سهام بورس شرکت اوراق بهادار تهران استفاده شود.
٢- مروری بر پیشینه تحقیق از جمله مطالعات داخلی و خارجی در زمینه پیش بینی بورس میتوان به موارد ذیل اشاره نمود: فدایینژاد (١٣٧٤)، مطالعه ای را با استفاده از روش های خودهمبستگی و آزمون گردش ها و با بکارگیری قیمت هفتگی ٥٠ شرکت برای دوره زمانی ١٣٦٨-١٣٧٢ انجام داد و کارایی بازار بورس اوراق بهادار تهران را در سطح ضعیف ارزیابی کرد.
عباسپور (١٣٨١) مطالعه ای جهت پیش بینی قیمت سهام شرکت «ایران خودرو» در بازار بورس تهران با استفاده از شبکه عصبی مصنوعی انجام داده و از داده های روزانه برای دوره زمانی ١٣٧٩-١٣٨٠ استفاده نمود.
منجمی و همکاران (١٣٨٨) در پژوهشی تحت عنوان «پیش بینی قیمت سهام در بازار بورس اوراق بهادار با استفاده از شبکه ی عصبی -فازی و الگوریتم های ژنتیک و مقایسه ی آن با شبکه ی عصبی مصنوعی» نشان دادند که از نقطه نظر معیارهای ارزیابی عملکرد، پیش بینی قیمت سهام روز بعد توسط مدل ترکیبی شبکه ی عصبی-فازی و الگوریتم ژنتیکی دقیق تر از شبکه ی عصبی است .