بخشی از مقاله
چکیده: پیشبینی سود هر سهم به عنوان یک شاخص مهم حسابداري، عملکرد نهاد و موفقیت شرکت در نظر گرفته شده است که براي پیشبینی قیمت سهام آینده به کار گرفته می شود. مدل هاي ارائه شده سعی در پیش بینی سود هر سهم با کمترین خطا جهت کمک به سرمایهگذران براي انتخاب بهترین سهام با کمترین ریسک است. این کار تحقیقاتی با هدف پیشبینی آینده با استفاده از تکنیک هاي دادهکاوي است و بنابرین پایه اي براي تصمیم گیران فراهم میکند.
در این تحقیق از پنج متغیر حسابداري، از دادههاي مربوط به سالهاي ١٣٩٠ تا ١٣٩٥ شرکتهاي برتر بورس اوراق بهادار تهران، که با نمونهگیري ٨٤ شرکت انتخاب شدند، استفاده شد. در این تحقیق از تکنیک هاي رگرسیون بردار پشتیبان و رگرسیون استفاده شد، که بعد از اعتبار سنجی مدل ها و بررسی نتایج تحقیق مشخص شد که تکنیک رگرسیون بردار پشتیبان نسبت به مدل رگرسیون برتري دارد.
.1 مقدمه
سرمایهگذاران براي اینکه بتوانند سرمایهگذاري با ریسک کمتري داشته باشند نیاز دارند تا اطلاعاتی در مورد آینده بدست آورند. پس با پیش بینی می توانند تصمیمگیري هاي بهتري بگیرند و ریسک سرمایهگذاري را تا حدودي کاهش دهند. پیش بینی سود هر سهم براي سرمایهگذاران خارجی جهت انتخاب سبد سهام بهینه امري مهم است، و همچنین به مدیران داخلی شرکت جهت اتخاذ تصمیمات مهم و بحرانی مثل بودجهبندي عملیاتی، سرمایهاي و تخصیص بهینه منابع یاري میرساند. پیش بینی از مهمترین اطلاعاتی است که توسط شرکت ها اعلام میشود.
این اطلاعات بر قیمت سهام - افزایش یا کاهش قیمت - ، بازده سهام - بازده کمتر یا بیشتر از بازده بازار - ، رفتار سهامداران - در خصوص خرید و فروش و نگهداري سهام - تأثیر میگذارد.[1] پیش بینی عبارت است از برآورد احتمالی وقایع آینده بر اساس اطلاعات حال و گذشته .[2] شرکت ها براي جذب سرمایهگذاران خارجی و اطمینان خاطر سرمایهگذاران فعلی سعی میکنند پیشبینی EPS را با دقت بیشتري انجام دهند، چون خطاي پیشبینی سود رابطه مستقیمی با نوسانات قیمت سهام دارد. هر چه خطاي پیشبینی سود کمتر باشد نوسانات قیمت سهام کمتر خواهد بود. به همین دلیل پیش بینی دقیق EPS یک عامل مهم بر قیمت سهام شرکت ها است.[3]
تاکنون روشهاي گوناگونی براي پیش بینی هاي مالی مورد استفاده قرار گرفته است، که مهمترین آنها رگرسیون خطی یا چندجملهاي، رگرسیون خودبهخود، میانگین متحرك، مدل باکس و جنکینز، مدلهاي ساختاري و سري زمانی است. این مدلها به محقق اجازه نمیدهند تا عوامل پیپچده و غیرخطی مؤثر بر پیشبینی را در نظر بگیرد. از قابلیتهاي دادهکاوي استفاده از الگوریتمهاي مختلف و کارا در حوزه هوش مصنوعی و آمار بر حجم انبوهی از اطلاعات گذشته جهت ساخت مدل با هدف انجام پیشبینیهاي با خطاي کم میباشد . همچنین از دیگر قابلیتهاي دادهکاوي توانایی استفاده سریع و خودکار بر دادهها است که این موضوع نیز از مزایاي این تکنولوژي است .[4]
این مساله را از طریق دو مدل رگرسیون و رگرسیون بردار پشتیبان1که از تکنیک هاي کارا جهت امر طبقه بندي و تخمین در حوزه داده کاوي هستند، مورد تحلیل قرار دادیم و نتایح آنها را باهم مقایسه کردیم. ماشین بردار پشتیبان را میتوان به عنوان یکی از شناختهترین الگوریتمها ذکر کرد که براي دستهبندي و براي رگرسیون بکار برده میشود، به همین جهت از تکنیک SVR که داراي دقت محاسباتی بالایی است در این تحقیق جهت پیش بینی EPS استفاده کردیم.
.2 مرور ادبیات تحقیق
در مرور سوابق علمی و تحقیقاتی مربوطه، مقالات با موضوع پیش بینی EPS و موضوعات مشابه دیگر بررسی شد و کاربرد تکنیک هاي دادهکاوي از جمله سري زمانی، ماشین بردار پشتیبان، شبکه عصبی چند لایه، رگرسیون کمترین مربعات معمولی، درخت تصمیم و ... در پیش بینی EPS مورد بررسی قرار گرفت. مشکی و عاصی ربانی در سال١٣٩٠ اظهار داشتند که سود پیشبینی شده حاوي اطلاعاتی بوده و اعلام سود پیشبینی شده باعث ایجاد انحراف درمیانگین نرخ بازده غیرعادي میشود.
براین اساس ادعا کردند که سود پیشبینی شده داراي نقش و تأثیر قابل توجهی بر تصمیم گیريهاي استفادهکنندگان در صورتهاي مالی دارد. اهمیت و ارزش سود پیشبینی شده در تصمیمگیريهاي سرمایهگذاري ایجاب میکند که درآموزش حسابداري به مقوله ویژگیهاي کیفی اطلاعات وگزارشهاي مالی توجه بیشتري شود.[5] لگزیان، بقایی و همایونی راد در سال١٣٩٠ نشان دادند بازده داراییها ارتباط معناداري با سود آتی سهام داشته و از میان متغیرهاي ده گانه، این متغیر میتواند معیار مناسبی براي پیشبینی بازده آتی سهام براي سرمایهگذاران باشد.
با این حال ارتباط معناداري میان نسبتهاي مالی و سود آتی نشان داده نشد، که احتمالا ناشی از هموارسازي سود در شرکتهاي ایرانی است.[6] روش SVR عملکرد بهتري نسبت به مدل هاي گارچ2 دارد. از آنجا که روش رگرسیون بردار پشتیبان تا حدود زیادي به انتخاب درست پارامترهاي ε ، C و پارمترهاي تابع بستگی هسته دارد، یافتن یک روش دقیق براي انتخاب بهینه پارامترها و همچنین انتخاب تابع هسته میتواند سبب افزایش دقت روش SVR شود .[7]
شمسزاده و همکاران در سال 1393 توانستند با مدلسازي و پیشبینی قیمت سهام با استفاده از مدل SVR و مقایسهي آن با مدل کلاسیک آریما3نتایج قابل توجهی به دست آورند. وي، چنج و وو در سال 2011 توانستند با کمک گرفتن از مدلهاي فازي4 به پیشبینی EPS از صنایع مورد نظر دست یابند. با استفاده از تجزیه و تحلیل مولفههاي اصلی در رگرسیون ماشین بردار فازي، EPS را پیشبینی کرد که در آن، سهام با روند مشابه به گذشته با استفاده از تجزیه مولفههاي اصلی انتخاب می شوند. برآمدگی اطلاعات فازي براي ساخت چگالی احتمال قیمت سهام ساخته و SVR براي تولید تابع رگرسیون جهت پیشبینی قیمت اجرا می شود.[8]
ابوآصف و همکاران در سال ٢٠١٣ توانستند قیمت پیشنهادي سهام را با استفاده از تکنیکهاي دادهکاوي تخمین بزنند.[9] میساد اسلام راسل در سال 2013 از تکنیک SVR براي پیشبینی قیمت سهم و همچنین روند سود سهم استفاده کردند. همچنین از روش هاي مختلفی براي ورود داده ها به الگوریتم SVR استفاده کردند و نشان دادند که این الگوریتم روشی قدرتمند براي مشخص کردن الگوي مجموعه داده هاي سري زمانی است.
اگر مقادیر پارامترهاي مهم، به خوبی تعیین شوند، تکنیک SVR نتایج خوبی از پیشبینی به دست می دهد. .[10] مایکل دیوید در سال ٢٠١٤ تکنیکهاي ماشین یادگیري طبقهبندي را براي تجزیه و تحلیل و پیشبینی جهت سهام فرکانس بالا ارائه داد. کواهیلال و همکاران در سال ٢٠١٦ پیشبینی قیمت بازار سهام را با استفاده از یک روش ترکیبی شامل فیلتر اچ پی5 و SVR، بهینه سازي کردند. - جوتیمانی و همکاران، ٢٠١٦ - پیشبینی شاخص سهام را بر مبناي تبدیل واولت گسسته در مطالعه روي پنجاه شاخص بورس ملی اوراق بهادار، انجام دادند. از دو مدل تجزیه و SVR و همچنین شبکه هاي عصبی براي پیشبینی استفاده کردند.
.1.3 جامعه آماري
جامعه آماري این تحقیق، تمامی شرکتهاي پذیرفتهشده در بازار بورس تهران در بازه زمانی ١٣٩٠ تا ١٣٩٥ است. براي انتخاب نمونه آماري مناسب که یک نماینده مطلوبی براي جامعه آماري باشد، از روش حذفی استفاده شده است. در این راستا شرایط خاصی مورد نظر نگارنده بود که احراز این شرایط توسط شرکتها جهت انجام بررسی هاي آماري ضروري است و در صورتیکه یک شرکت تمامی معیارها را احراز کرده باشد، بهعنوان یکی از شرکتهاي نمونه انتخاب میشود.
با حذف دادههاي پرت، مشاهدههاي ما به ٨٤ شرکت رسید. دادههاي جمعآوري شده به صورت دادههاي طولی میباشند. به این معنی که هر مقطع از دادههاي نهایی، شامل دادههاي یک شرکت در طول سالهاي ١٣٩٠ تا ١٣٩٥ میباشد. از تمام دادههاي جمعآوري شده در طی ٦ سال ١٣٩٠ تا ١٣٩٥، براي آزمایش مدلها حدود ٣٠ درصد و براي آموزش آنها حدود ٧٠ درصد، اختصاص داده شده است.
