چکیده:
بازدهی سهام یکی از عوامل مهم در تصمیمگیری و سرمایه گذاری در بازار سهام است که مورد توجه سرمایه گذاران و سایر دست اندرکاران بازار سرمایه است. سرمایه گذاران و سایر دست اندرکاران این بازار، با در نظر گرفتن تخصصی بودن موضوع، نیازمند ابزارهایی هستند که در انتخاب گزینه مناسب سرمایه گذاری و انتخاب پرتفوی مناسب به آنها کمک کند. ابزارها برای افزایش کارایی و عملکرد درست، ضرورت دارد در زمانها و بازارهای مختلف در معرض آزمون قرار گیرند. هدف اصلی از این تحقیق، مقایسه مدل شبکههای عصبی مصنوعی ایستا و پویا در برآورد بازدهی سهام در بورس اوراق بهاء دار تهران در دوره 1391 تا 1400 میباشد. برای بدست آوردن اطلاعات مورد نیاز از منابع کتابخانهای و سوابق موجود در سامانه سازمان بورس و کدال استفاده شده است. برای ذخیره سازی، پردازش، اندازهگیری متغیرها و تجزیه و تحلیل آماری از نرم افزارهای اکسل و متلب استفاده شده است. نتایج تحقیق نشان دادند که مدل شبکه عصبی مصنوعی پویا نسبت به مدل شبکه عصبی مصنوعی ایستا دارای قدرت پیش بینی بهتری در برآورد بازدهی سهام در بورس اوراق بهادار تهران است.
Stock returns is one of the important factors in making decisions and investing in the stock market, which is of interest to investors and other capital market practitioners. Investors and other people involved in this market, considering the specialization of the subject, need tools that will help them in choosing the right investment option and choosing the right portfolio. In order to increase the efficiency and correct performance, the tools need to be tested in different times and markets. The main purpose of this research is to compare static and dynamic artificial neural network models in estimating stock returns in the Tehran Stock Exchange in the period 1391-1400. In order to obtain the required information, the sources and records available in the libraries as well as the information available in the stock exchange and kodal system have been used. Excel and MATLAB software have been used for storage, processing, variable measurement and statistical analysis. The results of the research showed that the dynamic artificial neural network model has better predictive power than the static artificial neural network model in estimating stock returns in Tehran Stock Exchange.