23937

ECO2 826

كارشناسي ارشد

علوم اقتصادي - نظري

علوم اداري و اقتصاد

1403/06/28

124 ص.

سعيد صمدي

مجتبي مهدوي

صورت‌هاي مالي , يادگيري ماشين , جنگل تصادفي , شبكه عصبي مصنوعي

چكيده مسائل مربوط به بازار سهام يكي از مهم‌ترين موضوعات اقتصاد‌هاي رو به رشد است. با گسترش روز افزون ابزارهاي موجود در اين بازار افراد زيادي به صورت مستقيم ويا غيرمستقيم درگير بازار سهام شده‌اند. بازار سهام نقش بسيار مهمي در جذب سرمايه‌ها و ايجاد ارزش اقتصادي ايفا مي‌كند، به همين دليل پيش‌بيني دقيق قيمت سهام به منظور كاهش ريسك و افزايش بازدهي سرمايه‌گذاران بسيار حائز اهميت است. به دليل پيچيدگي رفتار بازارهاي سهام و تأثير عوامل مختلف، نياز به استفاده از روش‌هاي پيشرفته مانند يادگيري ماشين به منظور بهينه‌سازي پيش‌بيني‌ها در اين بازار احساس مي‌شود. از مزيت‌هاي اين پژوهش مي‌توان به كاهش ريسك سرمايه‌گذاري و ارائه روشي قابل اعتمادتر براي پيش‌بيني قيمت سهام اشاره كرد.استفاده از تكنيك‌هاي يادگيري ماشين، امكان شناسايي الگوهاي پيچيده و غيرخطي موجود در داده‌هاي مالي شركت‌ها را فراهم مي‌كند، كه از طريق روش‌هاي سنتي امكان پذير نيست. اين روش نه تنها به سرمايه‌گذاران كمك مي‌كند كه تصميمات آگاهانه‌تري بگيرند، بلكه از ديدگاه علمي نيز به توسعه رويكردهاي جديد در تحليل داده‌هاي مالي كمك مي‌كند. در اين پژوهش براي 34 شركت موجود در پنج صنعت فلزات اساسي، پتروشيمي، فرآورده‌هاي نفتي، مواد و محصولات دارويي و محصولات غذايي و آشاميدني ابتدا چهار گروه متغير به عنوان داده‌هاي ورودي انتخاب شده و سپس با استفاده از الگوريتم جنگل تصادفي به بر رسي پيش‌بيني قيمت توسط مدل پرداخته و براي هر گروه نتايج عملكرد و پارامترهاي تاثيرگذار مشخص مي‌شود و با انتخاب گروهي از متغيرهاي با بيشترين تاثيرگذاري سپس با استفاده از شبكه عصبي مصنوعي جمعي به پيش‌بيني قيمت هركدام از شركت‌ها پرداخته شده است. با توجه به نتايج حاصل شده نسبت قيمت به ارزش دفتري، نسبت بدهي به حقوق صاحبان سهام و نسبت قيمت به فروش شركت در گروه اول و نسبت اول شاخص قدرت درآمدي و نسبت سوم شاخص قدرت درآمدي از گروه دوم، متغيرهاي تاثيرگذاري براي پيش‌بيني قيمت سهام شركت‌ها بوده‌اند. در نهايت عملكرد شبكه عصبي مصنوعي با متغيرهاي منتخب در 28 شركت داراي عملكرد به مراتب بهتري نسبت به الگوريتم جنگل تصادفي بوده است. پيشنهاد مي‌شود در مطالعات آينده به بررسي اثر متغيرهاي كلان اقتصادي و تأثير آن‌ها بر دقت پيش‌بيني پرداخته شود تا مدل‌هاي جامع‌تري براي پيش‌بيني قيمت سهام ايجاد گردد.

Financial Statement , Machine Learning , Random Forest , Artificial Neural Networks

Forecasting price in stock market based on financial statements using a machine learning approach

اقتصاد

Abstract Issues related to the stock market are among the most important topics for emerging economies. With the growing variety of instruments available in this market, many individuals have become directly or indirectly involved in the stock market. The stock market plays a crucial role in attracting investments and creating economic value; thus, accurate stock price prediction is of great importance to reduce risk and enhance investorsʹ returns. Due to the complexity of stock market behavior and the influence of various factors, there is a growing need for advanced methods such as machine learning to optimize predictions in this market. The benefits of this study include reducing investment risk and providing a more reliable method for stock price prediction. The use of machine learning techniques makes it possible to identify complex and nonlinear patterns within financial data, which traditional methods cannot achieve. This approach not only helps investors make more informed decisions but also contributes scientifically to the development of new approaches in financial data analysis. In this study, four groups of variables were initially selected as input data for 34 companies across five industries: basic metals, petrochemicals, oil products, pharmaceutical materials and products, and food and beverage products. The Random Forest algorithm was used to analyze the price prediction for each group, with performance outcomes and key influential parameters identified for each. Subsequently, using the most impactful group of variables, a collective artificial neural network was employed to predict the price of each company. Based on the obtained results, price-to-book ratio and debt-to-equity ratio in the first group, and the first and third income strength indices in the second group, were found to be influential variables for predicting stock prices. Ultimately, the performance of the artificial neural network with selected variables was significantly better than that of the Random Forest algorithm for 28 companies. It is recommended that future studies examine the effect of macroeconomic variables on prediction accuracy to develop more comprehensive models for stock price forecasting.

5