این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
تحقیقات حسابداری و حسابرسی، جلد ۶، شماره ۲۴، صفحات ۱۶-۳۳
عنوان فارسی پیش‌بینی ارتباط بین بازده سهام و عدم تقارن اطلاعاتی با استفاده از شبکه-های عصبی مصنوعی
چکیده فارسی مقاله با توجه به اهمیت­ بازده در مطالعات سرمایه­گذاری، برآورد رابطه­ی آن با عدم تقارن اطلاعاتی از مسائل مهم و ضروری است. تغییرات زمانی بازده، عدم کفایت مطالعات صورت گرفته و وجود عوامل تاثیرگذار بر میزان بازده سهام باعث توسعه­ی روش­های نوین و هوشمند در تخمین و برآورد بازده سهام شرکت­های بورسی شده است. هدف از این تحقیق پیش­بینی بازده سهام با استفاده از عدم تقارن اطلاعاتی با رویکرد شبکه­های عصبی مصنوعی است. متغیر مستقل در این تحقیق عدم تقارن اطلاعاتی و متغیر وابسته بازده سهام بوده است. به همین منظور، متغیرهای مربوط برای 100 شرکت بورسی و به مدت 6 سال گرد­آوری شده است. خروجی­های حاصل از تخمین شبکه­های عصبی مصنوعی و نتایج حاصل از تخمین با استفاده از این روش، با معیارهای ارزیابی (99/0=R، 064/0= MSEو 21/0=MAE) بوده است. با در نظر گرفتن مقدار تصادفی (50 درصد) و مقایسه آن با 99/0=R،ارتباط معنادار بین متغیر عدم تقارن اطلاعاتی و بازده سهام مشاهده می­شود. همچنین، شبکه مزبور دارای کمترین خطا (064/0= MSEو 21/0=MAE) نسبت به دیگر شبکه­های طراحی شده است.
کلیدواژه‌های فارسی مقاله
عنوان انگلیسی Predict the relationship between stock returns and information asymmetry using artificial neural networks
چکیده انگلیسی مقاله Given the importance of return on investment studies to estimate the relationship between information asymmetry and return is an important issue. Changes in efficiency, inadequacy studies, and existence of effective factors are cause of development new and intelligent methods to estimate the stock return of companies. The aim of this study is to predict stock returns using information asymmetry with an artificial neural network approach. The independent variable in this study is information asymmetry and stock return is the dependent variable. Therefore, the variables for the 100 companies in the stock exchange and has been collecting for 6 years. Estimated output of artificial neural networks and the results of the estimation using this approach, with evaluation criteria is (R2= 0.99, MSE= 0.064 and MAE= 0.21). Considering the random value (50%) compared with R2= 0.99, correlation between information asymmetry and stock return are observed. Also, the designed network has the least error (MSE = 0.064 and MAE= 0.21) than the other networks.
کلیدواژه‌های انگلیسی مقاله
نویسندگان مقاله سید حسین سجادی |
دانشگاه شهید چمران

محسن رشیدی باغی |
دانشجوی کارشناسی ارشد حسابداری دانشگاه شهید چمران اهواز

محسن شیرعلیزاده |
کارشناس ارشد حسابداری دانشگاه شهید چمران اهواز

نشانی اینترنتی http://www.iaaaar.com/article_104325_7ba7e68d3e9c588379d6572adecc7963.pdf
فایل مقاله اشکال در دسترسی به فایل - ./files/site1/rds_journals/696/article-696-2312326.pdf
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات