چکیده:
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
Since one of the most important sources of information for investors and other beneficial is dividends forecast، this study tries to find models for predicting variables effective on dividend. To do this، information from chemical companies listed in Tehran Stock Exchange during the years 2006 to 2010 are used. The independent variables are accounting ratios and the dependent variable is dividend. The model framework is a combination of PSO-SVR and PSO-LARS algorithms. PSO algorithm identifies optimal combination of variables that influence the anticipated dividends. Then the data related to the variables selected by PSO are entered in to the SVR and LARS algorithms separately and train the algorithms. Then the algorithms are tested with evaluation data. Thus the prediction errors can be measured and the methods be compared. The research results show that combining PSO algorithm with LARS or SVR algorithm، as compared to using only SVR and LARS، can provide a better predict of considered affecting factors. Comparing the two combination methods، PSO-LARS and PSO-SVR، PSO-SVR shows that prediction error is less .
خلاصه ماشینی:
"حال با استفاده از دادههای یادگیری و صفر یا 1 بودن هر ذره (که هر کدام از یک و صفرها نشان دهنده عدم انتخاب یا انتخاب متغیر مستقل مربوطه نگاره 1 است) 20 مدل SVR با ورودی متناسب با تعداد یکها آموزش داده میشوند به منظور انتقال دادهها از فضای ورودی به فضای ویژگی در الگوریتمSVRاز تابع کرنل( (RBF استفاده شده است که در رابطه (11) نشان داده شده است: رابطه(11) / و سپس نرخ خطا برای هر کدام از SVR ها (ذره متناظر با SVR) به دست میآید و بهترین جواب هر ذره و تمام ذرات بهروزرسانی میشود.
جواب نهایی الگوریتم ترکیبی PSO- LARS به منظور انتخاب مؤلفههای تأثیرگذار بر پیش بینی سود نقدی سهام پس از همگرا شدن، رشتهای مانند نمودار (5) بود: / نمودار (5) نقش متغیرها در پیش بینی سود در الگوریتم ترکیبیPSO- LARS برای هر متغیر، صفر به معنای عدم حضور متغیر در پیش بینی سود و یک به معنای حضور متغیر است آموزش و ارزیابی الگوریتمهای SVR وLARS بر اساس مؤلفههای انتخاب شده پس از تعیین ترکیب نهایی یعنی مشخص نمودن متغیرهایی که الگوریتم PSO- SVRو PSO-LARS آنها را به عنوان متغیر تأثیرگذار بر پیشبینی سود سهام انتخاب کرده است، متغیرهای انتخاب شده توسط الگوریتم ترکیبی PSO-SVRرا با الگوریتم SVR و متغیرهای انتخاب شده توسط الگوریتم ترکیبی PSO-LARS را با الگوریتم LARS میآزماییم.
Particle Swarm Optimization , Proceedings of IEEE International Conference on Neural Networks, Piscataway, NJ, 1942-1948.
J. (1996) Regression estimation with support vector learning machines."