توانایی الگوریتم‌های یادگیری ماشین و شبکه‌های عصبی مصنوعی در پیش‌بینی محتوای اطلاعاتی سود حسابداری قبل از اعلان آن

پیشرفت های مالی و سرمایه گذاری

مقاله 1، دوره 4، شماره 2، تیر 1402، صفحه 30-1   

نوع مقاله: پژوهشی

شناسه دیجیتال (DOI): 10.30495/afi.2023.1962857.1137

نویسندگان

حسین علیزاده¹؛ مجید زنجیردار^{* 2}؛ غلامعلی حاجی³

¹گروه مالی، واحد اراک، دانشگاه آزاد اسلامی، اراک، ایران.

²گروه مدیریت مالی، واحد اراک، دانشگاه آزاد اسلامی، اراک، ایران.

³گروه اقتصاد، واحد اراک، دانشگاه آزاد اسلامی، اراک، ایران.

چکیده

هدف: هدف از پژوهش حاضر بررسی توانایی شبکه‌های عصبی مصنوعی و الگوریتم‌های یادگیری ماشین شامل ماشین بردار پشتیبان و جنگل تصادفی در پیش‌بینی محتوای اطلاعاتی سود حسابداری قبل از اعلان آن در شرکت‌های پذیرفته شده در بورس اوراق بهادار تهران در بازه زمانی سال‌های 1394الی 1399می‌باشد.
روش‌شناسی پژوهش: برای جمع‌آوری داده‌های روزانه موردنیاز پژوهش از نرم‌افزار ره‌آورد نوین استفاده شده است و با استفاده از روش نمونه‌گیری حذفی سیستماتیک 88 شرکت انتخاب شدند. از نرم‌افزار متلب به‌منظور مدل‌سازی شبکه‌های عصبی و الگوریتم‌های یادگیری ماشین استفاده شده است و به‌منظور محاسبه بازده غیرعادی در شبکه‌های عصبی و الگوریتم‌های یادگیری ماشین از کد نوشته شده در نرم‌افزار پایتون استفاده شده است. محتوای اطلاعاتی سود از طریق آزمون ارتباط بین سود و بازده غیرعادی و بر اساس مدل پورتی و همکاران (Poretti et al., 2018) سنجیده شده است. متغیرهای ورودی شبکه‌های عصبی و الگوریتم‌های یادگیری ماشین اندیکاتورها تحلیل تکنیکال می‌باشند. به‌منظور ارزیابی عملکرد طبقه‌بندی، از معیارهای صحت، دقت، فراخوانی و اندازه F استفاده شده است.
یافته‌ها: نتایج حاصل از پیش‌بینی سه مدل شبکه‌های عصبی مصنوعی، ماشین بردار پشتیبان و جنگل تصادفی نشان داد که ماشین بردار پشتیبان و جنگل تصادفی از دقت بالاتری نسبت به شبکه‌های عصبی مصنوعی، در پیش‌بینی استراتژی خرید، فروش و نگهداری برخوردار بوده‌اند و تنها ماشین بردار پشتیبان از سه مدل مذکور توان پیش‌بینی محتوای اطلاعاتی سود را داشته است.
اصالت / ارزش‌افزوده علمی: طراحی مدل پیش‌بینی جهت حرکت قیمت سهام در روز آتی معاملاتی، با سه روش شبکه‌های عصبی مصنوعی، ماشین بردار پشتیبان و جنگل تصادفی به‌عنوان اصلی‌ترین نوآوری پژوهش می‌باشد و همچنین یافته‌های پژوهش می‌تواند سرعت انتقال اطلاعات به بازار و جذب آن را افزایش دهد که این عامل منجر به کاهش اثر عدم تقارن اطلاعاتی و معاملات مبتنی بر اطلاعات نهانی و در نهایت افزایش کارایی بازار خواهد شد.

کلیدواژه‌ها

جنگل تصادفی؛ شبکه‌های عصبی مصنوعی؛ ماشین بردار پشتیبان؛ محتوای اطلاعاتی سود

مراجع

Ashton, D., & Trinh, C. (2018). Evaluating the information content of earnings forecasts. Accounting and Business Research, 48(6), 674-699.‏

Beaver, W. H., McNichols, M. F., & Wang, Z. Z. (2018). The information content of earnings announcements: new insights from intertemporal and cross-sectional behavior. Review of Accounting Studies, 23, 95-135.‏

Beaver, W. H., McNichols, M. F., & Wang, Z. Z. (2020). Increased market response to earnings announcements in the 21st century: An empirical investigation. Journal of Accounting and Economics, 69(1), 101244.‏

Chaajer, P., Shah, M., & Kshirsagar, A. (2021). The applications of artificial neural networks, support vector machines, and long-short term memory for stock market prediction. Decision Analytics Journal, 100015.

Chen, K. Y., & Ho, C. H. (2005). An improved support vector regression modeling for Taiwan Stock Exchange market weighted index forecasting. In 2005 International conference on neural networks and brain (Vol. 3, pp. nil15-1638). IEEE.‏‌

Emioma, C. C., & Edeki, S. O. (2021). Stock price prediction using machine learning on least-squares linear regression basis. In Journal of Physics: Conference Series (Vol. 1734, No. 1, p. 012058). IOP Publishing.‏

Engelen, P. J., & Van Liedekerke, L. (2007). The ethics of insider trading revisited. Journal of Business Ethics, 74, 497-507.‏

Esmaeeli, H., Rahmani, S., Kazemi, A., & Aliahmadi, M. (2017). Evaluation of E-Learning of the virtual learning program from the student's point of view. Public Management Researches, 9(34), 221-241. [In Persian]

Ghasemi, G., Khodamipour, A., & Shamsadini, K. (2022). The role of economic policy uncertainty in the relationship between voluntary disclosure of information and information asymmetry. Advances in Finance and Investment, 3(6), 31-52. [In Persian]

Gholamian, E., & Davoodi, S. M. R. (2018). Predicting the Direction of Stock Market Prices Using Random Forest. Financial Engineering and Portfolio Management, 9(35), 301-322. [In Persian]

Jiang, W. (2021). Applications of deep learning in stock market prediction: recent progress. Expert Systems with Applications, 184, 115537.‏

Kara, Y., Boyacioglu, M. A., & Baykan, Ö. K. (2011). Predicting direction of stock price index movement using artificial neural networks and support vector machines: The sample of the Istanbul Stock Exchange. Expert systems with Applications, 38(5), 5311-5319.‏

Khan, W., Malik, U., Ghazanfar, M. A., Azam, M. A., Alyoubi, K. H., & Alfakeeh, A. S. (2020). Predicting stock market trends using machine learning algorithms via public sentiment and political situation analysis. Soft Computing, 24, 11019-11043.‏

Levin, J. (2001). Information and the Market for Lemons. RAND Journal of Economics, 657-666.‏

Liu, C., Wang, W., Wang, M., Lv, F., & Konan, M. (2017). An efficient instance selection algorithm to reconstruct training set for support vector machine. Knowledge-Based Systems, 116, 58-73.‏

NasiriPour Dori, S., Banimahd, B., & Ahmadzadeh, H. (2016). Managerial Overconfidence and Earnings Overstatement. Management Accounting, 9(30), 55-65. [In Persian]

Patel, J., Shah, S., Thakkar, P., & Kotecha, K. (2015). Predicting stock and stock price index movement using trend deterministic data preparation and machine learning techniques. Expert systems with applications, 42(1), 259-268.‏

Piotroski, J. D., & Roulstone, D. T. (2005). Do insider trades reflect both contrarian beliefs and superior knowledge about future cash flow realizations?. Journal of Accounting and Economics, 39(1), 55-81.‏

Poretti, C., Schatt, A., & Bruynseels, L. (2018). Audit committees’ independence and the information content of earnings announcements in Western Europe. Journal of Accounting Literature, 40(1), 29-53.‏

Pourgadimi, K., Bahri Sales, J., Jabbarzadeh Kangarluei, S., & Zavar Rezaee, A. (2022). Presenting the developed model of benish model with emphasis on audit quality fea-tures using neural network, vector machine and random forest. Advances in Finance and Investment, 3(6), 1-30. [In Persian]

Sadorsky, P. (2021). A random forests approach to predicting clean energy stock prices. Journal of Risk and Financial Management, 14(2), 48.‏

Srivastava, P. R., Zhang, Z. J., & Eachempati, P. (2021). Deep neural network and time series approach for finance systems: predicting the movement of the Indian stock market. Journal of Organizational and End User Computing (JOEUC), 33(5), 204-226.‏

Shao, S., Stoumbos, R. C., & Zhang, F. (2020). The Power of Firm Fundamental Information in Explaining Stock Returns. SSRN Electronic Journal.

Tabar, S., Sharma, S., & Volkman, D. (2021). Stock Market Prediction Using Elliot Wave Theory and Classification. International Journal of Business Analytics (IJBAN), 8(1), 1-20.‏

Wagner, N., & Rondinelli, J. M. (2016). Theory-guided machine learning in materials science. Frontiers in Materials, 3, 28.‏

Yin, L., Li, B., Li, P., & Zhang, R. (2023). Research on stock trend prediction method based on optimized random forest. CAAI Transactions on Intelligence Technology, 8(1), 274-284.‏