پیش ‏بینی ارزش شرکت مبتنی بر روش‏های یادگیری عمیق

اقتصاد مالی

دوره 17، شماره 64، مهر 1402، صفحه 291-318   

نوع مقاله: علمی پژوهشی

شناسه دیجیتال (DOI): 10.30495/fed.2023.705603

نویسندگان

سیده مریم بابانژاد باقری؛ عباسعلی پورآقاجان^* ؛ محمد مهدی عباسیان

گروه حسابداری، واحد قائمشهر ، دانشگاه آزاد اسلامی، قائمشهر، ایران

چکیده

چکیده
پیش­بینی و درک روشن از رفتار یک پدیده نقش عمده­ای در اتخاذ راهبردها و تصمیم­گیری­ها دارد. توسعه همه جانبه و تعمیق بازار سرمایه به عنوان موتور محرکه توسعه اقتصادی، نیازمند اعتماد عمومی مشارکت کنندگان به کارایی و درستی آن در تعیین قیمت عادلانه اوراق بهادار است. از سوی دیگر، پیش بینی ارزش شرکت، نوسانات قیمت یا بازدهی سهام اهمیت زیادی در انتخاب پرتفوی، مدیریت دارایی‌ها و حتی قیمت‏گذاری سهام شرکت‌هایی که تازه وارد بورس می‌شوند، دارد.
در این پژوهش با استفاده از داده های 159 شرکت طی دوره زمانی 10 ساله شامل 1399-1390 و عوامل موثر بر ارزش شرکت شامل نسبت‏های مالی، سازوکارهای راهبری شرکتی، عوامل اقتصاد کلان و بازار سهام اقدام به پیش بینی ارزش شرکت شده است. در این پژوهش از دو ساختار روش یادگیری عمیق شامل GRU و BLSTM جهت ارزیابی بهتر استفاده می­شود. نتایج حاصل از بررسی داده های گردآوری شده با استفاده از تکنیک های یادگیری عمیق، بیانگر آن بود که مدل ترکیبی با مقدار خطای RMSE کمتری نسبت به مدل GRU ارزش شرکت را پیش­بینی کرده است

کلیدواژه‌ها

واژه‌های کلیدی: ارزش شرکت، نسبت مالی، حاکمیت شرکتی، اقتصاد کلان، بازار سهام، یادگیری عمیق. طبقه بندی JEL : G02؛ G17؛ G33

اصل مقاله

 

https://doi.org/10.30495/fed.2023.1972910.2836

 

پیش ‏بینی ارزش شرکت مبتنی بر روش‏های یادگیری عمیق

 

 

تاریخ دریافت: 26/04/1402                  تاریخ پذیرش: 09/06/1402

سیده مریم بابانژاد باقری[1] عباسعلی پورآقاجان*[2] محمد مهدی عباسیان فریدونی[3]

 

 

چکیده

پیش­بینی و درک روشن از رفتار یک پدیده نقش عمده­ای در اتخاذ راهبردها و تصمیم­گیری­ها دارد. توسعه همه جانبه و تعمیق بازار سرمایه به عنوان موتور محرکه توسعه اقتصادی، نیازمند اعتماد عمومی مشارکت کنندگان به کارایی و درستی آن در تعیین قیمت عادلانه اوراق بهادار است. از سوی دیگر، پیش بینی ارزش شرکت، نوسانات قیمت یا بازدهی سهام اهمیت زیادی در انتخاب پرتفوی، مدیریت دارایی‌ها و حتی قیمت‏گذاری سهام شرکت‌هایی که تازه وارد بورس می‌شوند، دارد.

در این پژوهش با استفاده از داده های 159 شرکت طی دوره زمانی 10 ساله شامل 1399-1390 و عوامل موثر بر ارزش شرکت شامل نسبت‏های مالی، سازوکارهای راهبری شرکتی، عوامل اقتصاد کلان و بازار سهام اقدام به پیش بینی ارزش شرکت شده است. در این پژوهش از دو ساختار روش یادگیری عمیق شامل GRU و BLSTM جهت ارزیابی بهتر استفاده می­شود. نتایج حاصل از بررسی داده های گردآوری شده با استفاده از تکنیک های یادگیری عمیق، بیانگر آن بود که مدل ترکیبی با مقدار خطای RMSE کمتری نسبت به مدل GRU ارزش شرکت را پیش­بینی کرده است.

واژه‌های کلیدی: ارزش شرکت، نسبت مالی، حاکمیت شرکتی، اقتصاد کلان، بازار سهام، یادگیری عمیق.

طبقه بندی JEL : G02, G17, G33

 

 

 

1- مقدمه

امروزه تحولات اقتصادهای صنعتی، بازار سرمایه را به ماشینی تبدیل کرده است که نمی‌توان بدون تغییر اساسی در شیوه زندگی، آن را حذف کرد. به عقیده‌ی کینز اصلی ترین وظیفه‌ی یک بورس اوراق بهادار، جذب سرمایه‌گذاری ها با بالاترین بازده می‌باشد (زارعی،1371). بسیاری از اقتصاددانان به این نتیجه رسیده‏اند که یکی از عوامل موثر بر رشد و توسعه پایدار، سرمایه‏گذاری موثر است و برای رشد اقتصادی لازم است افراد مازاد درآمد خود را سرمایه‏گذاری کنند(کیامهر و همکاران، 1399). بنابراین می‏توان گفت که بورس مکانی برای رقابت خواستار سرمایه در جهت سوق دادن منابع مالی دارندگان سرمایه به جانب فعالیت های خود است.در مورد تغییرات قیمت سهام در بازار اوراق بهادار می توان گفت که رویدادهای عادی و غیرعادی متعددی از جمله عوامل سیاسی و اقتصادی و بسیاری عوامل دیگر می توانند بر قیمت سهام اثر بگذارند و باعث ایجاد تغییرات فزآینده و یا کاهنده در قیمت‌ها گردند(خاکپور،1387). برای پاسخ به این سوال که تا چه حد می‏توان از قیمت‏های قبلی سهام برای پیش‏بینی قیمت‏های آینده استفاده نمود، مدل‏های مختلف مانند مدل‏های تکنیکی^[4](نمودارگراها)^[5] و مدل‏های ساختاری^[6](بنیادگراها)^[7] به‏وجود آمدند. تحلیل‏گران تکنیکی معتقدند تغییرات آینده قیمت سهام می‌توانند باتوجه به قیمت‌های پیشین تعیین شوند؛ پس این تحلیل، فرضیه بازار کارا را رد می‏کند. اما بنیادگراها معتقدند قیمت جاری(و آینده) سهام به ارزش ذاتی آن و بازده موردانتظار سرمایه‏گذاری بستگی دارد. برای تعیین ارزش ذاتی سهام، علاوه بر درنظرگرفتن عوامل موثر در اقتصاد، باید اطلاع دقیقی در مورد شرکت‏ها و عوامل موثر بر در‏آمد شرکت‏ها در دسترس باشد. پیش بینی معاملات سهام رویکرد مهمی برای سرمایه گذاران در بازارهای سهام به شمار می رود، تحقیقات نشان میدهند که ترکیب معین شاخص فنی، تغییرات بازار مالی را به طور دقیق پیش بینی می کند و از این رو سود بیشتری از راهبرد خرید و فروش ساده به دست می آید(چانگ و همکاران¹،2017).

بازار سهام یکی از بازارهای مالی مهم در هر کشور است که نقش تجهیز و تخصیص منابع مالی در اقتصاد را بر عهده دارد. با توجه به این وظیفه بازار سهام، رصد وضعیت و نوسان های بورس اوراق بهادار از منظر سه گروه اهمیت دارد. اولین گروهی که وضعیت بورس اوراق بهادار و سهام را دنبال می کنند، افراد دارای منابع مالی یا به عبارت دیگر پس اندازکنندگان در جامعه هستند که می خواهند سبد دارایی خود را تشکیل دهند و از این رو تمامی بازارهای مالی و دارایی را برای تشکیل سبد دارایی مناسب رصد می کنند(خدامی پور و امیری،1396). گروه دیگر که وضعیت بازار سهام و نوسان هایش برای آنها مهم است، بنگاه های اقتصادی و شرکت ها یا همان متقاضیان منابع مالی هستند. رونق و رکود بازار سهام بر نحوه دستیابی شرکت ها به منابع مالی و در نتیجه عملکرد شرکتها اثرگذار خواهد بود. گروه سومی که نوسان ها و وضعیت بازار سهام را پیگیری می کنند، سیاست گذاران و مسئولان اقتصادی هستند. طبیعی است که بازار سهام بخش زیادی از منابع مالی کشور را تخصیص می دهد و نحوه تخصیص منابع مالی بر عملکرد بخش حقیقی اقتصاد، اثرگذاری مستقیمی دارد؛ بنابراین نوسان های بازار سهام برای بیشتر کارگزاران اقتصادی اهمیت زیادی دارد(لی و گالوانی¹،2018). همچنین امروزه به‏موازات مدل‏های پیش‏بینی سنتی، مدل‏های شبکه‌های عصبی مصنوعی در ادبیات پیش‏بینی‏های اقتصادی وارد شده‏اند. پیش­بینی و درک روشن از رفتار یک پدیده نقش عمده­ای در اتخاذ راهبردها و تصمیم­گیری­ها دارد. توسعه همه جانبه و تعمیق بازار سرمایه به عنوان موتور محرکه توسعه اقتصادی، نیازمند اعتماد عمومی مشارکت کنندگان به کارایی و درستی آن در تعیین قیمت عادلانه اوراق بهادار است. از سوی دیگر، پیش بینی ارزش شرکت، نوسانات قیمت یا بازدهی سهام اهمیت زیادی در انتخاب پرتفوی، مدیریت دارایی‌ها و حتی قیمت‏گذاری سهام شرکت‌هایی که تازه وارد بورس می‌شوند، دارد.

 

2.مبانی نظری پژوهش

سرمایه گذاری، به تعویق انداختن مصرف جهت مصرف بیشتر و بهتر در آینده اطلاق می گردد. بنابراین مهمترین امر در این زمینه، خرید یک سهم به قیمت پایین و فروش آن به قیمت بالاتر است که این موضوع؛ به معنی پیش بینی قیمت سهام است .نظریه های متفاوتی در خصوص ارزیابی و پیش بینی بورس در بازارهای سازمان یافته مطرح شده است. تحلیل و تبیین عوامل تعیین‏کننده بازدهی سهام بر اساس روند گذشته و با استفاده از داده‏های شرکت‏های فعال در بازار سرمایه می تواند در کسب بازده آتی کمک کند(دهقان خاوری و میر جلیلی، 1398).

در اوایل قرن بیستم، گروهی از متخصصان صاحب تجربه در ارزیابی اوراق بهادار اعتقاد راسخ بر این امر داشتند که میتوان از طریق مطالعه و تجزیه و تحلیل روند تاریخی تغییرات قیمت سهام، تصویری را برای پیش بینی قیمت آینده سهام ارائه نمود. مطالعات علمی تر با تأکید بر شناسایی دقیق رفتار قیمت سهام، گرایش به سمت مدل های ارزشیابی قیمت سهام را به وجود به عنوان یک شروع در تعیین رفتار قیمت آورد. در ابتدا نظریه گام های تصادفی سهام مطرح شد. سپس به ویژگی ها و ساختار بازار سرمایه توجه شد که نتیجه این مطالعات و بررسیها منجر به فرضیه بازار کارای سرمایه شد. این فرضیه به دلیل ترکیب خاص آن، مورد توجه محافل علمی قرار گرفت. در بازار کارای سرمایه، اعتقاد بر این است که قیمت سهام انعکاسی از اطلاعات جاری مربوط به آن سهم است و تغییرات قیمت سهام دارای الگوی خاص قابل پیش بینی نیست. نظریات مطرح شده تا دهه ١٩٨٠ میلادی به خوبی تعیین کننده رفتار قیمت سهام در بازار بودند تا اینکه تحولات بازار سهام نیویورک در سال ١٩٨٧ میلادی، اعتبار فرضیات بازار کارای سرمایه و مدل هایی نظیر تصادفی بودن قیمت ها را به شدت زیر سؤال برد. در دهه ١٩٩٠ میلادی و بعد از آن، بیشتر توجه متخصصان به یک رفتار آشوبگرانه همراه با نظم معطوف شد و تلاش در جهت طراحی مدل های غیرخطی به منظور پیش بینی قیمت سهام اهمیت روز افزونی یافت. اما پیش بینی قیمت یا بازده سهام کار ساده ای نیست؛ زیرا عوامل بسیاری در تعیین آن دخالت دارند که تمام این عوامل را نمیتوان صرفًا در تحلیل تکنیکی فقط داده های تاریخی مربوط به حرکت قیمت و حجم معاملات سهام را برای پیش بینی حرکت آتی قیمت مطالعه میکند، در نظر گرفت. بنابراین ثابت شده است که استفاده از ابزارها و الگوریتم های محاسباتی پیچیده تر مانند شبکه های عصبی مصنوعی از مدلسازی فرایندهای غیر خطی که منتج به قیمت و روند سهام می شوند، پاسخ های بهتری از روش های آماری به دست میدهند. بر مبنای تئوریهای اقتصادی، شاخص قیمت سهام میبایست منعکس کننده انتظارات آحاد اقتصادی از عملکرد آتی شرکت‌ها باشد، درحالی‌که سود شرکت‌ها سطح فعالیتهای اقتصادی را منعکس میکند. آنگاه اگر شاخص قیمت سهام به‌درستی اطلاعات مربوط به روند آتی متغیرهای اساسی می‌توان از آن به‌عنوان یک متغیر پیشرو برای پیشبینی نوسانهای فعالیتهای اقتصادی استفاده کرد. بنابراین، روابط علی و تعاملات پویا میان متغیرهای کلان اقتصادی و شاخص قیمت سهام در تدوین سیاستهای کلان اقتصادی یک کشور بسیار مهم است(آسیابی اقدم و همکاران، 1401). با توجه به اهمیت موضوع ذکر شده، در این پژوهش با استفاده از نسبت های اثرگذار بر ارزش شرکت شامل نسبت های مالی، متغیرهای حاکمیت شرکتی، داده های اقتصاد کلان و نسبت های بازار سهام اقدام به پیش بینی ارزش شرکت شده است.

پیشینه خارجی

ون و همکاران^[8] (2020) بر مبنای مدل حرکت براونی هندسی اقدام به پیش بینی قیمت سهام ٧ شرکت موجود در شاخص ترکیبی بورس جاکارتا کرده‏اند. آنها دریافتند که مدل حرکت براونی هندسی دقت بالایی در پیش بینی داشته به گونه ای که مقدار MAPE برای مقادیر پیش بینی شده کوچکتر از ٢٠ درصد بوده است .

بورونو و همکاران^[9] (٢٠١٩) با استفاده از مدل حرکت براونی هندسی به پیش بینی قیمت سهام پرداخته اند. هدف آنها شناسایی بهترین دوره زمانی داده های تاریخی جهت تخمین پارامترهای مدل GBM و بهترین افق پیش بینی بود. آنها دریافتند استفاده از ٦٥ مشاهده روزانه تاریخی میتواند قیمت سهام را برای ٢١ روز با صحت بالا پیش بینی نماید که در این حالت نتایج پیش بینی با استفاده از مدل GBM از صحت بالاتری نسبت به حالت های دیگر برخوردار است. آنها به منظور بررسی صحت قیمتهای پیش بینی شده نسبت به قیمت های واقعی از معیار MAPE و برای تفسیر نتایج حاصل، از جدول پیشنهادی لورنس و همکاران استفاده کرده اند.

کانگ^[10] (٢٠١٦) به پیش بینی قیمت سهام ٥٠ شرکت بزرگ استرالیایی با استفاده از حرکت براونی هندسی پرداختند. نخست، با استفاده از مدل CAPM به پیش بینی بازده مورد انتظار سالانه هر یک از سهام پرداخته شد و پس از آن، حرکت براونی هندسی در دو حالت، یکبار برای سهام انفرادی و بار دیگر برای پرتفویهای متشکله در حالت مختلف، به کار گرفته شد. نتایج حاصل نشان داد اگرچه طبق معیار MAPE پیش بینی دوره های ١ هفته، ٢ هفته، ١ ماه، ٢ ماه و یکسال به صورت مطلوب و قابل قبولی انجام می‏پذیرد، اما کمترین خطای پیش بینی در دوره های ١ هفته، ٢ هفته و ١ ماه حاصل شده و پس از آن، هرچه افق زمانی پیش بینی افزایش می یابد مقادیر خطا رو به افزایش می گذارد.

پیشینه داخلی

شریف فر(1401) طی پژوهشی نشان داد که نتایج حاصل از اجرای الگوریتم های مبتنی بر شبکه عصبی پیچشی به تعداد ۵۴ دفعه با پارامترهای متفاوت و با استفاده از دو دسته اصلی داده‏های ورودی شامل اطلاعات قیمتی روزانه سهام و ده شاخص تکنیکال منتخب برای سهام شرکت ذوب آهن اصفهان، دارای خطای MAPE و  NRMSE کمتر بوده که نشان دهنده عملکرد بهتر آن نسبت به سایر الگوریتم‏های RNN است.

پژوهش میرجعفری(1401) یک بهینه سازی واکنش شیمیایی مصنوعی مبتنی بر شبکه پیوند عملکردی را برای پیش بینی قیمت سهام پیشنهاد می کند. در این راستا قیمت پنج سهام در یک دوره ۸ ساله طی سال ۱۳۹۰ تا ۱۳۹۷ جمع آوری شد. آزمایش های مختلف برای ارزیابی عملکرد مدل پیشنهادی مانند پیش بینی قیمت سهام ۱ روز بعد، ۱ هفته بعد و ۱ ماه بعد صورت گرفته اند. از طریق مطالعات شبیه سازی، نشان داده شد که مدل پیشنهادی پیش بینی دقیق تری نسبت به دیگرمدل ها ارائه می دهد. مدل پیش بینی مبتنی بر مدل شبکه پیوند عملکردی شیمیایی مصنوعی ، حداقل زمان را درمقایسه با مدل های پیش بینی مبتنی بر شبکه عصبی مصنوعی و مدل های ترکیبی دارد.

معمارزاده(1401) با بررسی حالت های مختلف مدل پیشنهادی LSTM برای پیش بینی روند حرکت ارزش بازار سهام، دریافتند که شاخص های احساسات و محاسبه دو معیار HLPCT و PCT change در پیش بینی ارزش بازار سهام با کمترین خطا تاثیرگذار بوده و نتایج مقایسه با روشهای قبلی نشان دهنده برتری روش پیشنهادی در میزان پیش بینی قیمت ها است.

نظریه(1400) در مقاله خود مدلی بر پایه روش تجزیه و تحلیل سیگنال مبتنی بر روش یادگیری عمیق به نام EMD-SAE  ارائه نموده است. در این پژوهش از سهام شرکت های نفت پارس و معادن و فلزات برای سنجش عملکرد مدل و ارزیابی دقت پیش بینی استفاده گشته است. در این پژوهش، اثر تجزیه و تحلیل سیگنال بر دقت پیش بینی سری زمانی مالی ارزیابی گشته و برتری روش تلفیقی پیشنهاد شده از طریق مقایسه با روش های مبتنی بر یادگیری ماشین EMD-AdaBoost و EMD-SVR اثبات گردید.

شریف فر(1400) در مقاله خود با عنوان ارزیابی و اعتبارسنجی روش بهینه یادگیری عمیق در پیش بینی قیمت سهام (رویکرد الگوریتم حافظه کوتاه مدت ماندگار LSTM )، ضمن طبقه بندی عوامل موثر بر قیمت سهام، مولفه های معاملات سهامداران حقیقی و حقوقی را به عنوان عاملی اثرگذار بر قیمت سهام مورد بررسی قرار داد. برای اجرای مدل از سه گروه داده های قیمتی، شاخص های تکنیکال و معاملات سهامداران حقیقی و حقوقی استفاده شده است. نتایج تحقیق نشان از عملکرد بهتر روش LSTM همراه با لایه Drop Out نسبت به مدل ساده آن و همچنین مدل RNN بود.

افضلیان بروجنی(1400) در مقاله خود با عنوان ارزیابی پیش بینی قیمت سهام در ایران با استفاده از روش های غیر خطی نشان داد که تکنیک های هوشمند از جمله شبکه های عصبی مصنوعی، کلونی زنبورعسل مصنوعی به دلیل توانایی بالا در آموزش داده ها و اختصاص وزن های مناسب به این داده ها و کشف فرآیند مولد آن ها، با سرعت و دقت بالا، نتایج قابل قبولی جهت پیش بینی پدیده های پیچیده مالی و اقتصادی ازجمله پیش بینی قیمت سهام دارد، که می توان بر اساس آن تقریبا نقشه راه مشخصی برای پیش بینی قیمت سهام توصیه نمود.

ظهیرمبرهن(1400) به منظور تخمین قیمت سهام بانک‏های بورسی، روشی ترکیبی بر پایه ارزیابی و ردگیری نوسانات قیمت سهام بانک ها توسط تبدیل موجک گسسته با توجه به پارامترهای تعداد و حجم سهام و تخمین قیمت سهام توسط الگوریتم شبکه عصبی بر پایه پارامترهای تبدیل موجک معرفی نمود. تخمین این روش جهت اهداف بلند مدت مفیدتر است. چون هرچه تعداد داده ها بالاتر روند شناخت دقیق تری نسبت به سیستم حاصل می گردد. الگوریتم هوشمند شبکه ی عصبی به علت تطبیق پذیری نسبی نسبت به نوسانات، تخمین قیمت سهام را با درصد قابل قبول حدود 0.85 بدست می دهد. در شرایط یکسان الگوریتم های هوشمند دقت بالاتری را نسبت به روابط ریاضی با ضرایب ثابت از خود نشان می دهند.

 

3.روش شناسی پژوهش

پیش­بینی و درک روشن از رفتار یک پدیده نقش عمده­ای در اتخاذ راهبردها و تصمیم­گیری­ها دارد. ساختارهای متعددی از روش­های یادگیری ماشین به صورت کلاسیک و عمیق وجود دارد که در کاربردهای متفاوت عملکردهای متفاوتی دارند. در این پژوهش از دو ساختار روش یادگیری عمیق شامل GRU و BLSTM جهت ارزیابی بهتر استفاده می­شود. در ادامه هر کدام از آزمایش­های مربوط به هر مدل به تفکیک شرح داده می­شود.

الف. روش GRU :

در این پژوهش از  [11]GRU به عنوان یکی از مدل­های یادگیری عمیق استفاده شده است. این مدل قادر است روابط پیچیده بین مولفه­های مختلف در بازارهای مالی جهت پیش­بینی قیمت سهام را شناسایی کند. GRUها یک نوع شبکه عصبی حافظه محور هستند به این دلیل که می­توانند اطلاعات را در یک دوره زمانی حفظ کنند. به عبارت ساده، GRUها مجبور نیستند از یک واحد حافظه برای کنترل جریان اطلاعات مانند مدل LSTM استفاده کنند، بلکه می توانند به طور مستقیم از تمام حالت های پنهان بدون هیچ کنترلی استفاده کنند. این مدل­ها شبیه به مدل LSTM هستند با این تفاوت که به جای سه دروازه^[12]، شامل دو دروازه­ی ریست^[13] و دروازه­ی به­روزرسانی^[14] هستند.

دروازه­ی ریست نحوه­ی ترکیب ورودی جدید با حافظه قبلی را تعیین می‌کند و تصمیم می‌گیرد چه مقدار از اطلاعات گذشته، یعنی اطلاعات گام‌های قبلی، فراموش شود. در اینجا هم مقدار ورودی جدید (xt)، به‌همراه مقدار حالت نهان گام قبل (ht-1)، در وزن متناظر خود ضرب و سپس با هم جمع می‌شوند و به یک تابع سیگموید وارد می‌شوند تا خروجی بین بازه صفر تا ۱ قرار بگیرد و به دروازه اجازه می دهد تا در مراحل بعدی بین اطلاعات کمتر و مهم تر فیلتر شود.

 

 

هنگامی که کل شبکه از طریق انتشار معکوس آموزش داده می‌شود، وزن‌های موجود در معادله به‌روزرسانی می‌شوند تا بردار یاد بگیرد که فقط ویژگی‌های مفید را حفظ کند. حالت پنهان قبلی ابتدا در یک وزن قابل تمرین ضرب می‌شود و سپس با بردار ریست، یک ضرب عنصری انجام می‌شود. این عملیات تصمیم می‌گیرد که کدام اطلاعات از مراحل زمانی قبلی همراه با ورودی‌های جدید حفظ شود. در همان زمان، ورودی جاری نیز قبل از اینکه با حاصل ضرب بردار ریست و حالت پنهان قبلی جمع شود، در یک وزن قابل آموزش ضرب می شود. در نهایت، یک تابع tanh فعال سازی غیر خطی برای نتیجه نهایی برای بدست آوردن r در معادله زیر اعمال می شود.

 

 

دروازه­ی به‌روزرسانی در GRU همان چیزی است که دروازه­ی ورودی و دروازه­ی فراموشی در LSTM بودند. دروازه­ی به‌روزرسانی تعیین می‌­کند که چه مقدار از حالت قبلی حفظ شود. در این دروازه مقدار ورودی جدید (xt) به ‌همراه مقدار حالت نهان گام قبلی (ht-1) در وزن متناظر خود ضرب و سپس با هم جمع می‌شوند و به یک تابع سیگموید وارد می‌شوند تا خروجی میان بازه صفر تا ۱ قرار بگیرد. سپس خروجی دروازه­ی به‌روزرسانی با حالت نهان گام قبلی ضرب می‌شوند.

 

 

سپس بردار به‌روزرسانی با حالت پنهان قبلی ضرب را انجام می دهد تا u در معادله زیر بدست آید، که بعداً برای محاسبه خروجی نهایی استفاده خواهد شد.

 

 

هر دو بردار دروازه­ی به­روزرسانی  و ریست با استفاده از یک فرمول ایجاد می‌شوند، اما وزن‌های ضرب شده با حالت ورودی و حالت پنهان برای هر دروازه منحصر به فرد است، به این معنی که بردارهای نهایی برای هر دروازه متفاوت است. این به دروازه ها اجازه می دهد تا اهداف خاص خود را برآورده کنند.

معکوس بردار به­روزرسانی را با خروجی دروازه ریست، r، ضرب المان انجام می­دهند. هدف از این عملیات این است که دروازه­ی به­روزرسانی تعیین کند چه بخشی از اطلاعات جدید باید در حالت پنهان ذخیره شود. درنهایت خروجی این مرحله با خروجی ضرب نقطه‌ای دروازه­ی به‌روزرسانی با حالت نهان قبلی (u) جمع می‌شود و حالت نهان جدید را ایجاد می‌کند که به عنوان خروجی نهایی استفاده می­شود.

 

 

ب. روش LSTM :

LSTM مخفف Long-Short-Term Memory ، یک مدل شبکه عصبی است که ابتدا در سال 1997 پیشنهاد شد. ویژگی کلیدی این مدل این است که می­توانند اطلاعاتی را ذخیره کنند که برای پردازش سلولی آینده استفاده شود. حافظه­ی LSTM دارای دو بردار کلیدی است: 1) حالت کوتاه مدت: خروجی را در مرحله­ی زمانی فعلی حفظ می­کند. 2) حالت بلند مدت:  مواردی را که برای طولانی مدت در نظر گرفته شده­اند را در حین عبور از شبکه ذخیره می کند، می­خواند و یا فراموش می­کند. تصمیم خواندن، ذخیره­سازی و نوشتن بر اساس برخی از توابع فعال­سازی^[15] است که خروجی این توابع فعال­سازی مقداری بین (0، 1) است.

LSTM دارای ساختار زنجیراه­ای است که شامل چهار شبکه عصبی و بلوک های حافظه مختلف به نام سلول است. اطلاعات توسط سلول­ها حفظ می­شود و تصمیم­گیری­های حافظه توسط دروازه­ها انجام می­شود. سه دروازه وجود دارد:

دروازه­ی فراموشی: اطلاعاتی که در حالت سلولی مفید نیستند با دروازه­ی فراموشی حذف می­شوند. دو ورودی  (ورودی در زمان خاص) و  (خروجی سلول قبلی) به دروازه وارد می­شوند و با ماتریس­های وزن ضرب می­شوند. نتیجه از طریق یک تابع فعال­سازی که یک خروجی باینری می­دهد منتقل می­شود. اگر برای یک حالت سلولی خاص خروجی 0 باشد، قسمتی از اطلاعات فراموش می­شود و برای خروجی 1، اطلاعات برای استفاده در آینده حفظ می­شود.

دروازه­ی ورودی: افزودن اطلاعات مفید به حالت سلول توسط دروازه­ی ورودی انجام می­شود. ابتدا اطلاعات با استفاده از تابع سیگمویید^[16] تنظیم می­شود و مقادیری را که باید به خاطر سپرده شود مشابه دروازه­ی فراموشی با استفاده از ورودی­های  و  فیلتر می­شوند. سپس یک بردار با استفاده از تابع tanh ایجاد می­شود که خروجی بین -1 تا +1 می­دهد که شامل مقادیر ممکن از  و  است. در نهایت مقادیر بردار و مقادیر تنظیم شده برای به­دست آوردن اطلاعات مفید ضرب می­شوند.

دروازه­ی خروجی: وظیفه استخراج اطلاعات مفید از وضعیت سلول فعلی به عنوان خروجی، توسط دروازه­ی خروجی انجام می شود. ابتدا یک بردار با اعمال تابع tanh بر روی سلول تولید می­شود. سپس اطلاعات با استفاده از تابع سیگمویید تنظیم شده و با مقادیری که باید با استفاده از ورودی­های  و  به خاطر سپرده شوند، فیلتر می­شود. سپس مقادیر بردار و مقادیر تنظیم شده ضرب می­شوند تا به­عنوان خروجی و ورودی به سلول بعدی ارسال شوند.

 

ج. روش LSTM Bidirectional(BLSTM) :

BLSTM مدل گسترش یافته­ی LSTM است که برخلاف LSTM استاندارد، ورودی در هر دو جهت جریان دارد و می‌تواند از اطلاعات هر دو طرف استفاده کند. همچنین ابزار قدرتمندی برای مدل‌سازی وابستگی‌های متوالی بین ورودی­ها در هر دو جهت دنباله است. در LSTM دو طرفه به جای آموزش یک مدل، دو مدل وجود دارد. مدل اول دنباله ورودی ارائه شده را می آموزد و مدل دوم عکس آن دنباله را می آموزد.BLSTM  نوعی LSTM دو لایه است، اما جهت لایه­ها کاملا مخالف یکدیگر هستند. به این معنا که دنباله­ی ورودی از دو جهت روبه جلو^[17] و روبه عقب^[18]، در یک زمان یکسان عبور داده می­شوند.

-مجموعه داده و توصیف پایگاه داده مورد استفاده

 به منظور بررسی مدل­های یادگیری از مجموعه­ای از داده­ها مورد استفاده قرار گرفت. این مجموعه داده شامل 1178 نمونه و هر نمونه شامل 115 ویژگی می­باشد که مربوط به اطلاعات مالی سهام ایران بین سال­های 1390 تا 1399 است. در روش­های کلاسیک یادگیری ماشین، قبل از استفاده از مدل، ویژگی­ها نیاز به هر دو مرحله­ی استخراج ویژگی و انتخاب ویژگی داشتند. یادگیری عمیق می­تواند هر دوی این نیازها را حذف کند. در این پژوهش تنها از قابلیت انتخاب ویژگی مدل­های عمیق استفاده شد. به این معنی که تمام ویژگی­های ممکن قبلا استخراج شده­اند و خود مدل عمیق یاد می­گیرد به کدام ویژگی بیشتر توجه کند. از دیدگاهی دیگر مدل­های کلاسیک یادگیری ماشین باید با ویژگی­های مناسب تغذیه شوند. اما در یادگیری عمیق، حتی اگر ویژگی­ها مناسب نباشند، مدل سعی می­کند آن­ها را ترکیب کند تا ویژگی­های مناسب را ایجاد کند. بنابراین برای عملکرد بهتر و دست­یابی به دقت بالاتر همه­ی 115 ویژگی به مدل­های یادگیری عمیق داده می­شود.

-پیاده­ سازی مدل

برای پیاده سازی مدل­های یادگیری عمیق از کتابخانه­های معروف Pandas و Numpy جهت خواندن داده در محیط پایتون (python 2.7) و همچنین جهت ساختن کتابخانه­های مبتنی بر ابزارهای یادگیری عمیق از کتابخانه مشهور Keras از ابزارهای Tensorflow  استفاده شد. در این پژوهش برای از بین بردن اثرات نامطلوب ناشی از داده های ناهمگون، لازم است داده ها به گونه ای استاندارد شوند که در محدوده [0، 1] قرار گیرند. بنابراین در ابتدا داده­ها را نرمال می­کنیم. علاوه بر این مجموعه داده­ها به دو قسمت تقسیم شدند که 80% به­عنوان داده­های آموزشی و 20% برای ارزیابی مدل قرار دادیم. به منظور توضیح بهتر عملکرد مدل­های یادگیری عمیق، این مقاله از دو روش GRU و در روش دوم از ترکیب BLSTM و GRU برای پیش­بینی قیمت سهام ایران استفاده می­کند. هم­چنین از معیارهای MAE و RMSE به عنوان شاخص های ارزیابی برای قضاوت در مورد عملکرد پیش­بینی مدل استفاده می­شوند.

در روش اول با استفاده از مدل GRU، مدل طراحی شده را بر روی مجموعه داده­ اعمال کردیم.  این پژوهش برای اولین بار از مدل GRU جهت پیش­بینی مقدار سهام بورس ایران استفاده کرده است. هدف از این بررسی یافتن کم­ترین خطا بین مقادیر پیش­بینی شده و مقادیر واقعی است.

ساختار شبکه­ی عصبی GRU در این پژوهش به این صورت است که رکوردهای داده یکی یکی خوانده می­شود و همه­ی ویژگی­ها در هر رکورد به یک بلوک حافظه تعلق می­گیرد. مدل دارای 80 بلوک حافظه متصل به هم است که هر بلوک از چهار سلول حافظه تشکیل شده است. مقادیر هر رکورد خوانده شده به­عنوان اولین ورودی، به سلول­های درون آن بلوک وارد می­شوند و از آنجایی که سلول­ها به صورت متصل به هم قرار دارند، خروجی هر سلول در هر گام زمانی به سلول بعدی در همان بلوک وارد می­شود. تمامی مراحل تا آخرین بلوک ادامه می­یابد و  خروجی آخرین بلوک، به­عنوان خروجی نهایی مدل در نظر گرفته می­شود. ارتباط بین هر بلوک حافظه برای داده­هایی که به صورت دنباله­ای به یکدیگر مرتبط هستند سبب می­شود که رکوردهای بعدی از وضعیت رکوردهای قبلی در تعیین خروجی هر بلوک استفاده کنند که این امر در پیش­بینی دقیق­تر مدل موثر است. پارامترها در این مدل به­گونه­ای تنظیم شدند که کم­ترین خطا را داشته باشند. از این رو برای اجرای شبکه­ی GRU، از کتابخانه­ی کراس^[19] با  چهار لایه­ی GRU و از آدام^[20] به­عنوان بهینه­ساز استفاده شد. آزمایش برای 50 دوره^[21] و مقدار دسته^[22] 50 و در 80 گام زمانی مورد بررسی قرار گرفت.

متغیرهای موثر بر ارزش سهام شرکت و روش سنجش هر یک ذکر می گردند.

 

جدول1.متغیرهای پژوهش و تعریف عملیاتی آنان

ردیف	نام متغیر	نماد	روش سنجش متغیر
1	کل بدهی به کل دارایی	F1
2	فروش به دارایی	F2
3	سود خالص به دارایی	F3
4	سرمایه در گردش به کل دارایی	F4
5	موجودی ها به کل دارایی	F5
6	موجودی به فروش	F6
7	حسابهای دریافتنی به فروش	F7
8	درصد تغییرات  دارایی	F8
9	دارایی های ثابت  به کل دارایی	F9
10	حسابهای دریافتنی به دارایی	F10
11	دارایی جاری به  بدهی جاری	F11
12	سود ناخالص به فروش	F12
13	سود ناخالص به کل دارایی	F13
14	درصد تغییرات فروش	F14
15	سود خالص به فروش	F15
16	درصد تغییرات حسابهای دریافتنی	F16
17	دارایی جاری به کل دارایی	F17
18	وجه نقد به کل دارایی	F18
19	سود عملیاتی به فروش	F19
20	سود انباشته به کل دارایی	F20
21	سود خالص به حقوق صاحبان سهام	F21
22	نسبت اقلام تعهدی به دارایی	F22
23	نسبت سود عملیاتی منهای جریان نقدی عملیاتی به دارایی	F23
24	بهای تمام شده کالای فروش رفته به موجودی	F24
25	درصد تغییرات در موجودی	F25
26	وجه نقد به بدهی جاری	F26
27	بدهی بلند مدت به دارایی	F27
28	سودناخالص به سود وزیان عملیاتی	F28
29	بدهی بلند مدت به حقوق صاحبان سهام	F29
30	نسبت حقوق صاحبان سهام به دارایی	F30
31	نسبت تغییرات موجودی به تغییرات فروش	F31
32	جریان نقدی عملیاتی به دارایی	F32
33	موجودی به دارایی جاری	F33
34	بهای تمام شده کالای فروش رفته به فروش	F34
35	هزینه بهره به کل بدهی	F35
36	نسبت مجموع موجودی و حسابهای دریافتنی به کل دارایی	F36
37	دارایی آنی به بدهی جاری	F37
38	سود قبل از مالیات به کل دارایی	F38
39	سود قبل از مالیات به دارایی های ثابت	F39
40	سود قبل از مالیات به بدهی های جاری	F40
41	بدهی جاری به کل دارایی	F41
42	سود قبل از بهره و مالیات به دارایی	F42
43	سود قبل از مالیات به سود قبل از بهره و مالیات	F43
44	فروش یه حقوق صاحبان سهام	F44
45	فروش به کل بدهی	F45
46	تغییرات حساب دریافتنی به دارایی	F46
47	درصد تغییرات در بهای تمام شده فروش	F47
48	درصد تغییرات در نسبت جاری	F48
49	درصد تغییرات در گردش حسابهای دریافتنی	F49
50	درصد تغییرات در گردش موجودی	F50
51	درصد تغییرات سود ناخالص یه فروش	F51
52	درصد تغییرات هزینه های عملیاتی	F52
53	درصد تغییرات سود به فروش	F53
54	سود سهام پرداخت شده به سود خالص	F54
55	وجه نقد عملیاتی به هزینه بهره	F55
56	هزینه بهره به کل دارایی	F56
57	سود عملیاتی به دارایی	F57
58	سود و زیان انباشته به حقوق صاحبان سهام	F58
59	نسبت سود عملیاتی منهای جریان نقدی عملیاتی به فروش	F59
60	درصد تغییرات وجه نقد عملیاتی	F60
61	موجودی به بدهی جاری	F61
62	حسابهای دریافتنی به موجودی	F62
63	حسابهای دریافتنی به سود وزیان عملیاتی	F63
64	سود عملیاتی به حقوق صاحبان سهام	F64
65	سود عملیاتی به دارایی ثابت	F65
66	سود خالص به دارایی ثابت	F66
67	درصد تغییرات در سود عملیاتی	F67
68	درصد تغییرات در سود خالص	F68
69	درصد تغییرات حاشیه سود ناخالص	F69
70	هزینه بهره به هزینه های عملیاتی	F70
71	نسبت جریان نقدی عملیاتی منهای سود عملیاتی به فروش	F71
72	هزینه های عملیاتی به کل دارایی	F72
73	کل بدهی به کل دارایی منهای دارایی نامشهود	F73
74	تغییرات نسبت موجودی به فروش	F74	(نسبت موجودی به فروش اول دوره-نسبت موجودی به فروش پایان دوره)
75	سود قبل از بهره و مالیات به فروش	F75
76	سود قبل از مالیات به فروش	F76
77	سود خالص به سود ناخالص	F77
78	سود قبل از بهره و مالیات به دارایی ثابت	F78
79	سود قبل از مالیات به حقوق صاحبان سهام	F79
80	سود قبل ازبهره و مالیات به بدهی جاری	F80
81	سود و زیان انباشته به سود خالص	F81
82	وجه نقد به بدهی	F82
83	دارایی ثابت به بدهی بلند مدت	F83
84	فروش به دارایی ثابت	F84
85	سرمایه در گردش به فروش	F85
86	سود قبل از بهره و مالیات به هزینه بهره	F86
87	درصد تغییرات دارایی ثابت	F87
88	وجه نقد عملیاتی به بدهی جاری	F88
89	وجه نقد عملیاتی به سود عملیاتی	F89
90	نقش دوگانه  مدیرعامل	H1	اگر مدیرعامل شرکت، رئیس یا نایب رئیس هیات مدیره باشد کد 1 و در غیر این صورت از صفر استفاده‌شده است.
91	نسبت مدیران غیر موظف	H2	از تقسیم تعداد اعضای هیات مدیره غیر موظف به تعداد کل اعضای هیات مدیره بدست آمده است.
92	درصد مالکان نهادی	H3	مجموع سهام تحت تملک بانک ها، بیمه ها، شرکت های سرمایه گذاری، بنیادها، صندوق ها و ...
93	تمرکز مالکیت	H4	تمرکز مالکیت سهامداران نهادی شرکت
94	سهامدار عمده	H5	مجموع سهامداران با مالکیت سهام بالای 5 درصد
95	تخصص  مالی اعضای کمیته حسابرسی	H6	از تقسیم تعداد اعضای کمیته حسابرسی با تخصص مالی تقسیم بر کل اعضا بدست آمده است
96	استقلال کمیته حسابرسی	H7	نسبت تعداد اعضای غیر موظف کمیته حسابرسی به کل اعضا
97	وجود کمیته حسابرسی	H8	0.عدم وجود کمیته    1. وجود کمیته
98	تعداد کارکنان واحد حسابرسی داخلی	H9	تعداد کارکنان واحد حسابرسی داخلی
99	وجود حسابرس داخلی	H10	0.عدم وجود حسابرس داخلی        1. وجود حسابرس داخلی
100	تحصیلات رئیس حسابرسی داخلی	H11	اگر رئیس حسابرسی شرکت دارای مدرک دیپلم ، فوق دیپلم ، کارشناسی، کارشناسی ارشد و دکترا باشد به ترتبی از اعداد 1 تا 5 استفاده می‌شود.
101	تجربه مدیر حسابرسی داخلی	H12	از تعداد سالهای تجربه مدیر حسابرسی بدست آمده است
102	متوسط تعداد معاملات سالانه	M1	میانگین تعداد معاملات روزانه بازار سهام در هر دوره مورد بررسی
103	متوسط حجم معاملات سالانه	M2	میانگین حجم معاملات بازار سهام در هر دوره مورد بررسی
104	تغییرات بازده سهام	M3
105	متوسط شاخص صنعت	M4	میانگین شاخص صنعت برای شرکت های مورد بررسی
106	متوسط شاخص کل	M5	میانگین شاخص نقدی کل بازار سهام در هر دوره مورد بررسی
107	نرخ تورم سالانه	E1	براساس جدول آماری استخراجی از بانک مرکزی
108	شاخص بهای کالای مصرفی	E2	براساس جدول آماری استخراجی از بانک مرکزی
109	نرخ رشد تولید ناخالص داخلی	E3	براساس جدول آماری استخراجی از بانک مرکزی
110	نرخ رشد مسکن	E4	براساس جدول آماری استخراجی از بانک مرکزی
111	نرخ بهره	E5	براساس جدول آماری استخراجی از بانک مرکزی
112	نرخ رشد دلار بازار	E6	براساس جدول آماری استخراجی از بانک مرکزی
113	قیمت نفت اپک	E7	www.tgju.org
114	طلای 18 عیار	E8	www.tgju.org
115	نرخ سود بانکی	E9	براساس جدول آماری استخراجی از بانک مرکزی
116	تراز تجاری	E10	کل صادرات – کل واردات

منبع: یافته پژوهشگر

 

جامعه آماری این پژوهش شامل کلیه شرکتهای پذیرفته شده در بورس اوراق بهادار تهران است. در این پـژوهش بـرای اینکه نمونه آماری یک نماینده مناسب از جامعه آماری مد نظر باشد، از روش حذف سیستماتیک استفاده شده است. برای این منظور چهار معیار زیر در نظر گرفته شده و در صورتی که شرکتی کلیه معیارها را احراز کرده باشـد بـه عنـوان نمونـه پژوهش انتخاب شده و باقی حذف می شوند.

• شرکت قبل از سال1390در بورس پذیرفته شده و تا پایان سال 1399 در بورس فعال باشد.
• شرکت از گروه شرکتهای سرمایه گذاری، هلدینگها و واسطه گری مالی نباشد.
• شرکت طی بازه زمانی پژوهش تغییر سال مالی نداشته باشد.
• اطلاعات شرکتها در دسترس باشد.

بعد از مد نظر قرار دادن کلیه معیارهای بالا، تعداد 159 شرکت به عنوان جامعه غربالگری شده باقی مانده اسـت کـه همه آنها به عنوان نمونه انتخاب شده اند. از این رو مشاهدات ما طـی بـازه زمـانی 1390 لغایـت 1399 بـه 1177 سـال ـ شرکت می رسد.

 

سوال تحقیق

ساختار روش یادگیری عمیق شامل GRU و BLSTM جهت ارزیابی نسبت به سایر روشها مناسب می باشد؟

 

4.یافته های پژوهش

آمار توصیفی متغیرهای های تحقیق شامل میانگین، انحراف معیار، حداقل و حداکثر ارائه می گردد.

 

جدول2.آمار توصیفی متغیرها

ردیف	نام متغیر	نماد	میانگین	انحراف معیار	حداقل	حداکثر
1	کل بدهی به کل دارایی	F1	0.5748816	0.1730387	0.146405	0.949005
2	فروش به دارایی	F2	1.16286	0.8505548	0.1568614	5.582733
3	سود خالص به دارایی	F3	0.139193	0.1266485	0.140633-	0.6542416
4	سرمایه در گردش به کل دارایی	F4	0.1554059	0.2133682	0.595758-	0.8191421
5	موجودی ها به کل دارایی	F5	0.2475628	0.14002216	0.0013843	0.8992086
6	موجودی به فروش	F6	0.3020037	0.2019323	0.0023308	1.46014
7	حسابهای دریافتنی به فروش	F7	0.3406393	0.3253022	0.0000677	2.545686
8	درصد تغییرات  دارایی	F8	0.2506057	0.303764	0.4787872-	1.992436
9	دارایی های ثابت  به کل دارایی	F9	0.2608405	0.1722959	0.006542	0.8691712
10	حسابهای دریافتنی به دارایی	F10	0.2520718	0.175423	0.0001424	0.8497046
11	دارایی جاری به  بدهی جاری	F11	1.465936	0.7304228	0.2617444	6.852167
12	سود ناخالص به فروش	F12	0.2732278	0.1522497	0.2348591-	0.778734
13	سود ناخالص به کل دارایی	F13	0.2292527	0.1273244	0.0803682-	0.6762469
14	درصد تغییرات فروش	F14	0.3027965	0.393076	0.7815714-	3.3949
15	سود خالص به فروش	F15	0.1710688	0.168455	0.67843-	0.953828
16	درصد تغییرات حسابهای دریافتنی	F16	1.545721	31.27446	0.9747797-	1065.107
17	دارایی جاری به کل دارایی	F17	0.6597982	0.1879959	0.1293879	0.9729964
18	وجه نقد به کل دارایی	F18	0.0443553	0.0478516	0.0002669	0.4525091
19	سود عملیاتی به فروش	F19	0.2043857	0.160486	0.66471-	0.8338894
20	سود انباشته به کل دارایی	F20	0.1722873	0.1631551	0.2996588-	0.6740441
21	سود خالص به حقوق صاحبان سهام	F21	0.3044313	0.2564598	1.229785-	2.147721
22	نسبت اقلام تعهدی به دارایی	F22	0.0129596	0.1218065	0.442096-	0.757417
23	نسبت سود عملیاتی منهای جریان نقدی عملیاتی به دارایی	F23	0.0389036	0.1158218	0.3389789-	0.674147
24	بهای تمام شده به موجودی	F24	4.680742	15.10406	0.320755	375.2012
25	درصد تغییرات در موجودی	F25	0.3184774	0.4948504	0.9824247-	3.281679
26	وجه نقد به بدهی جاری	F26	0.1096477	0.1465032	0.0005107	1.193767
27	بدهی بلند مدت به دارایی	F27	0.0702025	0.076958	0.0007348	0.6156297
28	سودناخالص به سود وزیان عملیاتی	F28	1.539951	1.383258	14.70721-	11.59001
29	بدهی بلند مدت به حقوق صاحبان سهام	F29	0.2388646	0.4056584	0.0009249	5.570467
30	نسبت حقوق صاحبان سهام به دارایی	F30	0.4247985	0.1731436	0.050995	0.853595
31	نسبت تغییرات موجودی به تغییرات فروش	F31	0.2032691	1.394199	8.740776-	11.74326
32	جریان نقدی عملیاتی به دارایی	F32	0.12975	0.1258322	0.3984659-	0.6872134
33	موجودی به دارایی جاری	F33	0.3595404	0.1789238	0.0021207	0.8992086
34	بهای تمام شده کالای فروش رفته به فروش	F34	0.726638	0.1518636	0.221266	1.133441
35	هزینه بهره به کل بدهی	F35	0.0568681	0.0423769	0	0.2245743
36	نسبت مجموع موجودی و حسابهای دریافتنی به کل دارایی	F36	0.4952599	0.1872746	0.0529692	0.9438408
37	دارایی آنی به بدهی جاری	F37	0.8854955	0.4881197	0.0973212	4.083075
38	سود قبل از مالیات به کل دارایی	F38	0.1598132	0.1378449	0.140633-	0.6364594
39	سود قبل از مالیات به دارایی های ثابت	F39	1.130484	1.584311	0.7288973-	12.92125
40	سود قبل از مالیات به بدهی های جاری	F40	0.440105	0.554848	0.29853-	3.9822
41	بدهی جاری به کل دارایی	F41	0.5050768	0.1685237	0.1097192	0.8915145
42	سود قبل از بهره و مالیات به دارایی	F42	0.1869476	0.1292003	0.122399-	0.6364594
43	سود قبل از مالیات به سود قبل از بهره و مالیات	F43	0.8009461	0.5384106	1.71226-	6.105849
44	فروش یه حقوق صاحبان سهام	F44	2.996162	3.0568	0.268978	28.67733
45	فروش به کل بدهی	F45	1.82659	1.105189	0.2046552	8.973358
46	تغییرات حساب دریافتنی به دارایی	F46	0.0499179	0.1155606	0.3058293-	0.5972269
47	درصد تغییرات در بهای تمام شده فروش	F47	0.281715	0.3752462	0.7722595-	3.93545
48	درصد تغییرات در نسبت جاری	F48	0.0741031	0.2917811	0.7021489-	1.690085
49	درصد تغییرات در گردش حسابهای دریافتنی	F49	0.2050465	1.297605	0.9789042-	14.57751
50	درصد تغییرات در گردش موجودی	F50	0.0612868	0.4195321	0.9876741-	3.904108
51	درصد تغییرات سود ناخالص یه فروش	F51	0.0978665	0.7512889	5.096301	10.32
52	درصد تغییرات هزینه های عملیاتی	F52	03478927	0.9626224	1.760124-	13.84853
53	درصد تغییرات سود به فروش	F53	0.2420911	3.746908	32.19823-	59.53077
54	سود سهام پرداخت شده به سود خالص	F54	0.5282781	0.4128654	0.5749506-	4.310345
55	وجه نقد عملیاتی به هزینه بهره	F55	19.83572	80.66135	32.00233-	1009.32
56	هزینه بهره به کل دارایی	F56	0.0352511	0.0307412	0	0.1954842
57	سود عملیاتی به دارایی	F57	0.1682407	0.1276964	0.1240666-	0.6358277
58	سود و زیان انباشته به حقوق صاحبان سهام	F58	0.3540862	0.3781569	3.200469-	0.9912205

59	نسبت سود عملیاتی منهای جریان نقدی عملیاتی به فروش	F59	0.0470229	0.1541902	0.7902-	0.7315471
60	درصد تغییرات وجه نقد عملیاتی	F60	0.7646374	7.63752	29.14483-	148.83388
61	موجودی به بدهی جاری	F61	0.5585834	0.4239688	0.002163	4.762334
62	حسابهای دریافتنی به موجودی	F62	1.743159	2.701926	0.0002282	35.52853
63	حسابهای دریافتنی به سود وزیان عملیاتی	F63	2.350061	4.35155	26.75696-	38.5766
64	سود عملیاتی به حقوق صاحبان سهام	F64	0.4224613	0.3238696	0.6288401-	2.244452
65	سود عملیاتی به دارایی ثابت	F65	1.206153	1.595451	0.75257758-	13.93019
66	سود خالص به دارایی ثابت	F66	0.9699081	1.35786	0.7288973-	11.14506
67	درصد تغییرات در سود عملیاتی	F67	0.5663549	2.352904	11.26475-	23.72537
68	درصد تغییرات در سود خالص	F68	0.6863642	4.994297	33.71818-	77.50143
69	درصد تغییرات حاشیه سود ناخالص	F69	0.1605113-	0.6330434	6.084411-	3.635243
70	هزینه بهره به هزینه های عملیاتی	F70	0.8345019	0.9836478	0	5.970625
71	نسبت جریان نقدی عملیاتی منهای سود عملیاتی به فروش	F71	0.047023-	0.1541902	0.7315471-	0.790196
72	هزینه های عملیاتی به کل دارایی	F72	0.0667928	0.0519489	0.00032589	0.4044736
73	کل بدهی به کل دارایی منهای دارایی نامشهود	F73	0.5786057	0.1740087	0.146906	0.9586124
74	تغییرات نسبت موجودی به فروش	F74	0.2096405	2.280228	0.72503-	64.32436
75	سود قبل از بهره و مالیات به فروش	F75	0.2323174	0.1785014	0.67843-	0.9952688
76	سود قبل از مالیات به فروش	F76	0.1966136	0.1868089	0.67843-	0.9952688
77	سود خالص به سود ناخالص	F77	0.5549308	0.6198815	7.790314-	4.200787
78	سود قبل از بهره و مالیات به دارایی ثابت	F78	0.9384775	0.9619965	1.213403-	4.90279
79	سود قبل از مالیات به حقوق صاحبان سهام	F79	0.3600999	0.2859578	0.8834414-	2.147721
80	سود قبل ازبهره و مالیات به بدهی جاری	F80	0.4800272	0.5114272	0.29853-	3.866817
81	سود و زیان انباشته به سود خالص	F81	0.6199808	11.89823	181.2292-	87.95283
82	وجه نقد به بدهی	F82	0.0956992	0.1295626	0.0003754	0.8817019
83	دارایی ثابت به بدهی بلند مدت	F83	10.7733	29.97612	0.1230921	629.528
84	فروش به دارایی ثابت	F84	6.228084	6.220909	0.2608708	40.4828
85	سرمایه در گردش به فروش	F85	0.1820105	0.3171718	1.973004-	1.237946
86	سود قبل از بهره و مالیات به هزینه بهره	F86	27.52036	105.2761	9.69907-	1266.219
87	درصد تغییرات دارایی ثابت	F87	0.3749013	1.915755	0.7551303-	47.41019
88	وجه نقد عملیاتی به بدهی جاری	F88	0.335372	0.4297304	0.8856356-	2.711432
89	وجه نقد عملیاتی به سود عملیاتی	F89	0.8676712	1.33384	5.065373-	10.40022
90	نقش دوگانه  مدیرعامل	H1	0.2931181	0.4553856	0	1
91	نسبت مدیران غیر موظف	H2	0.6375713	0.2152475	0	1
92	درصد مالکان نهادی	H3	48.5017	34.38498	0	98.93
93	تمرکز مالکیت	H4	0.4442691	0.3265293	0	1
94	سهامدار عمده	H5	64.77386	21.80358	0	.
95	تخصص  مالی اعضای کمیته حسابرسی	H6	0.5168649	0.3847166	0	1
96	استقلال کمیته حسابرسی	H7	0.5358539	0.3539097	0	1
97	وجود کمیته حسابرسی	H8	0.740017	0.4388114	0	1
98	تعداد کارکنان واحد حسابرسی داخلی	H9	1.752761	2.014626	0	11
99	وجود حسابرس داخلی	H10	0.8003398	0.3999148	1	1
100	تحصیلات رئیس حسابرسی داخلی	H11	2.035684	1.502408	0	5
101	تجربه مدیر حسابرسی داخلی	H12	4.585387	6.826174	0	38
102	متوسط تعداد معاملات سالانه	M1	145.5558	344.0744	0.0320334	6326.252
103	متوسط حجم معاملات سالانه	M2	1287287	4667538	0.5218066	08+E1.15
104	تغییرات بازده سهام	M3	0.6263528	1.553231	0.9606661-	10.72042
105	متوسط شاخص صنعت	M4	18552.22	48743.96	151.028	303587.8
106	متوسط شاخص کل	M5	159742.5	237283.1	24830.95	908184.3
107	نرخ تورم سالانه	E1	23.52379	11.24942	9	41.24
108	شاخص بهای کالای مصرفی	E2	108.7575	59.76673	40.321	252.6
109	نرخ رشد تولید ناخالص داخلی	E3	14.10238	18.03114	10.8-	42.8
110	نرخ رشد مسکن	E4	0.3837501	0.4488976	0.078	1.752
111	نرخ بهره	E5	21.02623	3.123413	17.5	27
112	نرخ رشد دلار بازار	E6	0.3797157	0.484312	0.1404558-	1.620199
113	قیمت نفت اپک	E7	74.42132	31.30978	27.31	122.4
114	طلای 18 عیار	E8	2504.91	2945.811	556.8	10855
115	نرخ سود بانکی	E9	17.23025	1.310801	15	18
116	تراز تجاری	E10	9.013485-	9.000838	23.68231-	3.064425

منبع: یافته پژوهشگر

 

شکل زیر نتایج پیش­بینی قیمت سهام با مقایسه­ بین مقادیر واقعی و مقادیر پیش­بینی شده را نشان می­دهد.

 

 

نمودار1- نتایج پیش­بینی قیمت سهام با مقایسه­ بین مقادیر واقعی و مقادیر پیش­بینی شده

منبع: یافته پژوهشگر

 

طبق نتایج به دست آمده در مدل GRU مقدار RMSE  و MSE  به ترتیب برابر 0.07% و 0.0049% به دست آمد.

در روش دوم، مدل پیشنهادی از ترکیب مدل BLSTM و مدل GRU تشکیل شده است. در مدل BLSTM نیز همه­ی ویژگی­ها در هر رکورد وارد بلوک حافظه می­شوند. 80 بلوک حافظه در هر لایه وجود دارد و هر بلوک شامل دو سلول است. هر رکورد به عنوان اولین ورودی وارد سلول­های آن بلوک می­شوند و خروجی آخرین بلوک به عنوان خروجی لایه محاسبه می­شود.

• برای اجرای مدل BLSTM ، از دولایه­ استفاده می­شود که لایه­ی بالایی خروجی لایه­ی پنهان رو به جلو را از گام زمانی 1 تا گام زمانی 80 محاسبه می­کند و خروجی را در هر زمان به­دست می­آورد و ذخیره می­کند. لایه­ی پایین از گام زمانی 80 تا گام زمانی 1 برعکس محاسبه می­شود و خروجی لایه پنهان رو به عقب هر بار به دست می­آید و ذخیره می­شود. سپس مقادیر دو لایه میانگین گرفته می­شود. لایه­ی سوم و چهارم در روش ترکیبی مدل GRU است که دنباله­ی خروجی لایه­های قبل به عنوان ورودی در 80 بلوک حافظه به صورت سری وارد شده و خروجی آخرین بلوک در آخرین لایه به عنوان خروجی نهایی درنظر گرفته می­شود.
• در روش دوم نیز، از آدام به عنوان بهینه­ساز و از تابع سیگمویید به عنوان تابع فعالیت استفاده می­شود. تعداد بهینه پارامترها با آزمایش تعیین می­شوند.

 

نمودار2- نتایج مدل ترکیبی

منبع: یافته پژوهشگر

 

از این رو مقدار 50 دوره و مقدار 50 دسته برای اجرای مدل تعیین می­شود. شکل زیر نتایج این بررسی را نشان می­دهد. طبق نتایج به دست آمده در مدل ترکیبی BLSTM&GRU مقدار RMSE  و MSE  به ترتیب برابر 0.04% و 0.0016% به دست آمد.

 

1-3-معیار ارزیابی مقایسه مدل­های ارزیابی شده

جهت سنجش نتایج به­دست آمده و مقایسه­ی عملکرد هر یک از آن­ها برای پیش­بینی مقادیر قیمت سهام با خطای کم­تر، یافته­های حاصل شده از ارزیابی­ها را با یکدیگر مورد مقایسه قرار دادیم. در این مقایسه­ مقادیر RMSE هر یک از روش­های GRU و BLSTM&GRU در جدول زیر نشان داده شده است. همانطور که نتایج جدول نشان می­دهد، مدل ترکیبی با مقدار خطای RMSE کم­تری نسبت به مدل GRU قیمت سهام را پیش­بینی کرده است.

 

جدول3- مقایسه پیش بینی مقادیر قیمت سهام با خطای کمتر

روش مورد استفاده	RMSE
GRU	0.07
BLSTM&GRU	0.04

منبع: یافته پژوهشگر

 

جدول4-متغیرهای تاثیرگذار

ردیف	متغیر اثرگذار	نماد
1	سود خالص به دارایی	F3
2	دارایی جاری به بدهی جاری	F11
3	سود خالص به فروش	F15
4	سود عملیاتی به فروش	F19
5	نسبت اقلام تعهدی به دارایی	F22
6	وجه نقد به بدهی جاری	F26
7	نسبت حقوق صاحبان سهام به دارایی	F30
8	موجودی به دارایی جاری	F33
9	بهای تمام شده کالای فروش رفته به فروش	F34
10	هزینه بهره به کل بدهی	F35
11	سود قبل از مالیات به کل دارایی	F38
12	درصد تغییرات در نسبت جاری	F48
13	وجه نقد عملیاتی هزینه بهره	F55
14	سود عملیاتی به دارایی	F57
15	سود عملیاتی به حقوق صاحبان سهام	F64
16	تغییرات نسبت موجودی به فروش	F74
17	سود قبل از مالیات به حقوق صاحبان سهام	F79
18	سود قبل از بهره و مالیات به بدهی جاری	F80
19	فروش به دارایی ثابت	F84
20	وجه نقد عملیاتی به سود عملیاتی	F89
21	تخصص مالی اعضای کمیته حسابرسی	H6
22	تعداد کارکنان واحد حسابرسی داخلی	H9
23	تحصیلات رییس حسابرسی داخلی	H11
24	متوسط تعداد معاملات سالانه	M1
25	تغییرات بازده سهام	M3
26	شاخص بهای کالای مصرفی	E2
27	نرخ بهره	E5
28	نرخ رشد دلار بازار	E6

منبع: یافته پژوهشگر

 

 

5.نتیجه گیری

در این پژوهش با استفاده از داده های 159 شرکت طی دوره زمانی 1399-1390 و نسبت های اثرگذار بر ارزش شرکت شامل نسبت های مالی، سازوکارهای راهبری شرکتی، داده های اقتصاد کلان و شاخص‏های بازار سهام اقدام به پیش بینی ارزش شرکت شده است. در این پژوهش از دو ساختار روش یادگیری عمیق شامل GRU و BLSTM جهت ارزیابی بهتر استفاده می­شود. نتایج حاصل از بررسی داده‏های گردآوری شده با استفاده از تکنیک های یادگیری عمیق، بیانگر آن بود که مدل ترکیبی با مقدار خطای RMSE کم‏تری نسبت به مدل GRU قیمت سهام را پیش­بینی کرده است. همچنین متغیرهایی که بیشترین اثرگذاری را بر ارزش شرکت داشتند به شرح جدول زیر می باشند:

در ایران پیرامون کاربرد رویکرد فراابتکاری جهت پیش بینی ارزش شرکت، پژوهش‌هایی مانند صالحی و فرخی(1397)، حجازی و همکاران(1391)، چالاکی و یوسفی(1391)، کاردان و همکاران(1396) انجام‌ شده که تأییدکننده نتایج این پژوهش هستند. نتایج پژوهش‌ حاضر با پژوهش خدادادی و تاکر(1391)، آزادی و ترکمندی(1397)، رحیمیان و همکاران(1395)، ژو^[23] (2018) مغایر بوده و به نظر می‌رسد در سالهای اخیر نظام راهبری شامل کمیته حسابرسی و حسابرسی داخلی در ایران به‌عنوان یک بازوی قدرتمند توانسته است جایگاه خود را در شرکت‌ها و نزد سرمایه‌گذاران پیدا کرده و نقش آنها از مشاوره‌ به نظارت تغییر یافته است. نتایج این پژوهش می‏تواند به صورت کاربردی مورد استفاده سرمایه گذاران بالفعل و بالقوه جهت تشکیل پرتفوی بهینه مورد استفاده قرار گیرد. همچنین مدیران بازار سرمایه ایران می توانند با پیش بینی ارزش شرکت ها و تعیین عوامل مـؤثر بر آن برای مدیریت کردن جذب سرمایه سهامداران و کمک به آنها برای انتخاب گزینه بهینه سرمایه گذاری اقدام کنند.

 

[1] گروه حسابداری، واحد قائمشهر ، دانشگاه آزاد اسلامی، قائمشهر، ایران[e-mail]

[2] گروه حسابداری، واحد قائمشهر ، دانشگاه آزاد اسلامی، قائمشهر، ایران) نویسندۀ مسئول([e-mail]

[3] گروه حسابداری، واحد قائمشهر ، دانشگاه آزاد اسلامی، قائمشهر، ایران [e-mail]

[4] Technical Models

[5] Chartists

[6] Fundamental Analysis

[7] Fundamentalists

[8] Wen

[9] Bruno

[10] Guang

[11] Gated Recurrent Unit

[12] Gate

[13] Reset

[14] update

[15] Activation

[16] Sigmoid

[17] Forward

[18] Backward

[19] Keras

[20] Adam

[21] epoch

[22] Batch size

[23]. Zhou

مراجع

فهرست منابع

• افضلیان بروجنی، سیده الناز(1400)، ارزیابی پیش بینی قیمت سهام در ایران با استفاده از روش های غیر خطی «مقاله مروری»،سومین همایش مالی ایران: محور اصلی آینده پژوهی صنعت مالی،تهران.
• آسیابی اقدم, لیلا, رحیم زاده, اشکان، رجائی, یداله. (1401). اثر متغیرهای اقتصادی بر رفتار قیمت سهام شرکتهای پذیرفته شده در بورس اوراق بهادار. اقتصاد مالی.
• دهقان خاوری، سعید، میر جلیلی، سید حسین. (1398). تعامل ریسک سیستماتیک با بازده سهام در بورس اوراق بهادار تهران. فصلنامـه اقتصاد مالی. سال سیزدهم، شماره 49، صص 282-257.
• شریف‏فر، امیر و خلیلی عراقی، مریم و رئیسی وانانی، ایمان و فلاح شمس، میرفیض(1401) ، کاربرد معماری های یادگیری عمیق در پیش بینی قیمت سهام (رویکرد شبکه عصبی پیچشی).
• شریف‏فر، امیر و خلیلی ، مریم و رئیسی ، ایمان و فلاح، میر فیض(1400)، ارزیابی و اعتبارسنجی معماری بهینه یادگیری عمیق در پیش‏بینی قیمت سهام (رویکرد الگوریتم حافظه کوتاه‏مدت ماندگار.
• خدامی پور، احمد، امیری، اسماعیل(1396)، هزینة معاملات سهام و قیمت سهام : نقش تعدیلی سرمایه‌گذاران نهاد، مجله بررسی های حسابداری، دوره 4، شماره 15.
• ظهیر مبرهن، امیراحمد و قاسمی، احمدرضا(1400)، پیش بینی قیمت سهام با استفاده از تبدیل موجک،ششمین همایش بین المللی مدیریت، حسابداری، اقتصاد و علوم اجتماعی،همدان.
• کیامهر، علی، جنانی، محمدحسن، همت فر، محمود. (1399). تبیین نقش ناهنجاری‏های بازار سهام در قیمت‏گذاری دارایی‏های سرمایه‏ای. فصلنامـه اقتصاد مالی. سال چهاردهم ، شماره 53، صص 212-193.
• میرجعفری، سیدکاظم و محمدی، شعبان و سیفی، حسین(1401)، طراحی مدل بهینه سازی شیمیایی مصنوعی برای پیش بینی قیمت سهام و مقایسه آن با مدلهای مبتنی بر شبکه عصبی مصنوعی و مدل های ترکیبی در بورس اوراق بهادارتهران،دومین کنفرانس سراسری مطالعات و یافته های نوین در مدیریت و حسابداری ایران.
• معمارزاده، سیده فائزه و خسروی فارسانی، هادی و جاودانی گندمانی، تقی(1401)، ارائه یک روش مبتنی بر یادگیری عمیق جهت پیش بینی قیمت سهام، هشتمین کنفرانس بین المللی وب پژوهی،تهران.

نظریه، فاطمه(1400)، پیش بینی قیمت سهام توسط روش تلفیقی مبتنی بر تجزیه و ترکیب،ششمین کنفرانس بین المللی تحقیقات بین رشته ای در مهندسی برق، کامپیوتر، مکانیک و مکاترونیک،تهران