پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 25 |
| تعداد شماره‌ها | 939 |
| تعداد مقالات | 7,735 |
| تعداد مشاهده مقاله | 12,746,639 |
| تعداد دریافت فایل اصل مقاله | 9,069,769 |
بررسی مؤلفه‌های تأثیرگذار بر پیش‌بینی سود نقدی سهام با استفاده از مدل‌های ترکیبی: مورد صنعت شیمیایی | ||
| پژوهش های تجربی حسابداری | ||
| مقاله 7، دوره 2، شماره 4 - شماره پیاپی 6، دی 1391، صفحه 111-130 اصل مقاله (1.25 M) | ||
| شناسه دیجیتال (DOI): 10.22051/jera.2013.557 | ||
| نویسندگان | ||
| مهدی صالحی1؛ زهره امینی فرد* 2 | ||
| 1دانشگاه فردوسی | ||
| 2دانشگاه ازاد | ||
| 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. | ||
| کلیدواژه‌ها | ||
| الگوریتم PSO؛ الگوریتم LARS؛ الگوریتم SVR؛ انتخاب مؤلفه؛ سود سهام | ||
| عنوان مقاله [English] | ||
| Examination of Variables Affecting Dividend Forecast Using Hybrid Models of PSO-LARS and PSO-SVR Algorithms | ||
| نویسندگان [English] | ||
| Mahdi Salehi1؛ Zohreh Aminifard2 | ||
| چکیده [English] | ||
| 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 . | ||
| کلیدواژه‌ها [English] | ||
| SVR Algorithm, PSO Algorithm, LARS Algorithm, Selecting Factors, Stock Dividend | ||
| مراجع | ||
|
آذر،عادل. کریمی،سیروس. (1388). پیش بینی بازده سهام با استفاده از نسبت‌های حسابداری با رویکرد شبکه‌های عصبی.تحقیقات مالی، 11(28)، 3-20. حجازی،رضوان.محمدی،شاپور.اصلانی،زهرا.آقاجانی،مجید.(1391).پیش بینی مدیریت سود با استفاده از شبکه عصبی و درخت تصمیم در شرکت‌های پذیرفته شده در بورس تهران. بررسی‌های حسابداری و حسابرسی،19 (68)،2-25. رحمانی نصرآبادی، محمد.(1387). عوامل مؤثر بر دقت سود پیش بینی شده توسط شرکت‌ها. پایان نامه کارشناسی ارشد، دانشکده علوم اقتصادی و اداری ، مازندران. علوی طبری، حسین . و جلیلی، آرزو. (1385). سودمندی متغیرها در پیش‌بینی رشد سود سهام. بررسی‌های حسابداری و حسابرسی، 1 (43)، 134-119. فرازمند، حسن ؛سجادی، سید حسین؛ دستگیر محسن، و محمودی، وحید. (1386). عوامل مؤثر بر سودآوری شرکت‌های پذیرفته شده در بورس اوراق بهادار تهران. تحقیقات اقتصادی ،80،49-73. کردستانی، غلامرضا. آشتاب، علی. (1389). بررسی رابطه بین خطای پیش بینی سود و بازده غیر عادی سهام شرکت‌های جدیدالورود به بورس اوراق بهادار تهران. بررسی‌های حسابداری و حسابرسی. 17 (60)، 93-108. مشایخ، شهناز. شاهرخی،سیده سمانه. (1386). بررسی دقت پیش بینی سود توسط مدیران و عوامل مؤثر بر آن. بررسی‌های حسابداری و حسابرسی. 14 (50)، 65-80. ملکیان، اسفندیار. احمدپور، احمد. رحمانی نصرآبادی، محمد. دریائی، عباس علی. (1389).عوامل مؤثر بر دقت سود پیش‌بینی شده توسط شرکت‌ها. بررسی‌های حسابداری و حسابرسی. 17( 61) 23- 38. نیکبخت،محمد رضا. شریفی، مریم. (1389). پیش بینی ورشکستگی مالی شرکت‌های بورس اوراق بهادار تهران با استفاده از شبکه عصبی مصنوعی. مدیریت صنعتی. 2(4)، 163-180. Baba, N .(2008). “Increased Presence of foreign investors and dividend policy of Japanese Firms”. Pacific-Basin Finance Journal,1.135-150.
Baruch, L. Siyi,L. &, Sougiannis, T.(2009). The Usefulness of Acounting Estimates for Predicting Cash Flows and Earning.UnpublishedPhD.Dissertation, New York University.
Efron,B. Hastie,T. Johnstone,I. Tibshirani,R. (2004) .“Least Angle Regresion” The Annals of Statistics, 32(2), 407–499.
Kato, K. Skinner ,D&Kunimura, M. (2009 ).”Management Forecasts In Japan: An mpirical Study of Forecasts that are effectively mandated”, The Accounting Review,84(5),26-38.
Kennedy,J&Eberhart,R.C.(1995). “Particle Swarm Optimization”, Proceedings of IEEE International Conference on Neural Networks, Piscataway, NJ, 1942-1948.
Salehi,M. Kardan,B. &Aminifard,Z. (2012) .Effective components on the forecast of companies’ dividends using hybrid neural network and binary algorithm model. Indian Journal of Science and Technology, 5: 9,3321-3327. ISSN: 0974- 6846.
Shi,Y. Eberhart, R.C. (1998). "A modified particle swarm optimizer". Proceedings of IEEE International Conference on Evolutionary Computation. pp. 69–73.
Smola, A. J. (1996) Regression estimation with support vector learning machines.Master’s thesis, TechnischeUniversit at München, 1996.
Smola, A.J&Schölkopf, B. (1998). On a kernel–based method for pattern recognition, regression, approximation and operator inversion .Algorithmica, 22:211–231, 1998.
Smola,A.J. Schölkopf,B(1998). “A Tutorial on Support Vector Regression”. Technical Report 30, NeuroCOLT2.
Vapnik, V.(1995). The Nature of Statistical Learning Theory. Springer-Verlag, New York, 1995 ISBN 0-387-94559-8.
. | ||
|
آمار تعداد مشاهده مقاله: 1,902 تعداد دریافت فایل اصل مقاله: 1,156 |
||