تجزیه‌وتحلیل مقایسه‌ای شبکۀ عصبی مصنوعی و رگرسیون خطی در پیش‌بینی تداوم روند بیش‌واکنشی سهام‌داران

هدف: بیش‌واکنشی یکی از ناهنجاری‌های قابل مشاهده در بازار است که پیامدهای متعددی از جمله ناکارایی بازار را به‌دنبال دارد. بر این اساس، یکی از موضوعاتی که در اکثر بورس‌های معتبر دنیا بررسی می‌شود، بیش‌واکنشی سهام‌داران است. بیش‌واکنشی سرمایه‌گذاران به‌عنوان یکی از استثنائات، بیشتر در بازارهای کمتر توسعه یافته و نوظهور مطرح است. شواهد زیادی وجودی دارد که سرمایه‌گذاران به رویدادهای مالی، بیش از حد لازم واکنش نشان میدهند. در واقع بیش‌واکنشی به‌عنوان یک پدیدۀ رفتاری، باعث می‌شود تا تصمیم‌گیری سرمایه‌گذاران در شرایط‌عدم اطمینان، دچار تورش شود و در نتیجه، بازار کارایی کافی نداشته باشد. در این راستا، تشخیص و پیش‌بینی این واکنش‌ها می‌تواند به سرمایه‌گذاران کمک کند تا تصمیم‌های منطقی‌تری درباره خرید یا فروش سهم‌ها و سایر اوراق بهادار بگیرند. بنابراین، پیش‌بینی و تشخیص تداوم روند بیش‌واکنشی سهام‌داران، می‌تواند برای سرمایه‌گذاران، تحلیلگران مالی و مدیران سرمایه‌گذاری ابزار ارزشمندی باشد تا مبتنی بر شهود و تحلیل دقیق‌تری، تصمیم‌گیری کنند. برای ایجاد یک مدل پیش‌بینی موثر، می‌توان از روش‌های مختلفی مانند تحلیل رگرسیونی برای تحلیل ارتباط بین متغیرهای مختلف و تداوم روند بیش‌واکنشی سهام‌داران استفاده کرد. همچنین، شبکه‌های عصبی مصنوعی، به‌عنوان روشی پیشرفته، می‌توانند برای مدل‌سازی پیچیدگی‌های غیرخطی و ارتباطات پیچیده‌تر میان متغیرها استفاده شوند. این موضوع با پیش‌بینی رفتار سهام‌داران و تصمیم‌گیری‌های سرمایه‌گذاری ارتباط مستقیمی دارد و می‌تواند به بهبود استراتژی‌های سرمایه‌گذاری و مدیریت ریسک کمک کند. با توجه به آنچه بیان شد، هدف اصلی این پژوهش تجزیه‌وتحلیل مقایسه‌ای شبکۀ عصبی مصنوعی و رگرسیون خطی، در پیش‌بینی تداوم روند بیش‌واکنشی سهام‌داران است.روش: پژوهش حاضر از نوع توصیفی علّی و طرح آن، از نوع تجربی است که با استفاده از رویکرد پس‌رویدادی اجرا شده است. به‌منظور آزمون فرضیه‌های پژوهش، از رگرسیون خطی چند متغیره استفاده شد که بر داده‌های پانل و ترکیبی از سری‌های زمانی مبتنی بود. برای جمع‌آوری اطلاعات، از روش کتابخانه‌ای استفاده شد. اطلاعات و داده‌های مورد نیاز، از طریق مطالعه صورت‌های مالی شرکت‌های موجود در جامعه آماری گردآوری شد. جامعه آماری پژوهش، کلیۀ شرکت‌های پذیرفته شده در بورس اوراق بهادار تهران، بین بازه زمانی 1390 تا 1400 بود که با استفاده از روش نمونه‌گیری حذف سیستماتیک، 110 شرکت انتخاب شد. در تجزیه‌وتحلیل داده‌ها با استفاده از روش رگرسیون، روابط بین متغیرها بررسی شد و نتایج به‌دست‌آمده از شبکۀ عصبی مصنوعی مقایسه شدند.یافته‌ها: نتایج برتری مدل شبکۀ عصبی مصنوعی را از لحاظ میزان ضریب تعیین و شاخص mse نشان می‌دهد؛ به‌طوری که بالاترین میزان ضریب تعیین برای شبکۀ عصبی مصنوعی (1 لایه پنهان و 9 نرون) برای داده‌های آزمون 0.3880 و برای مدل رگرسیون خطی برابر با 0.349 به‌دست آمد. همچنین نتایج نشان داد که میزان mse برای شبکۀ عصبی مصنوعی (1 لایه پنهان و 9 نرون) برای داده‌های آزمون 0.003266 و برای مدل رگرسیون خطی برابر با 0.004 است. بدین ترتیب میزان شاخص mse نیز به‌مانند ضریب تعیین، برای حالت شبکۀ عصبی مصنوعی بهتر است.نتیجه‌گیری: مدل شبکۀ عصبی قادر است که الگوهای پیچیده و غیرخطی را کشف کند و بهترین پیش‌بینی را ارائه دهد. با استفاده از این مدل، می‌توان به‌صورت دقیق‌تر و قابل اعتماد‌تری روند بازده سهام را پیش‌بینی کرد.

comparative analysis of artificial neural networks and linear regression in predicting the continuation of shareholders’ overreaction trends

objectiveoverreaction is a noticeable anomaly in financial markets that leads to various consequences, including market inefficiency. as such, one of the prominent topics investigated in major global stock exchanges is shareholders’ overreaction. this phenomenon is particularly prevalent in emerging and less developed markets, where investors tend to overreact to financial events. overreaction, as a behavioral bias, distorts investors’ decision-making in uncertain conditions, pulling the market away from its efficient state. predicting and identifying the persistence of these reactions can assist investors in making more rational decisions regarding the purchase or sale of shares and other securities. therefore, predicting and identifying the continuation of shareholders’ overreaction trends can serve as a valuable tool for investors, financial analysts, and investment managers to make decisions based on intuition and precise analysis. to create an effective predictive model, various methods, such as regression analysis, can be employed to analyze the relationship between different variables and the continuation of shareholders’ overreaction trends. additionally, artificial neural networks (anns), as an advanced method, can be used to model the non-linear complexities and intricate connections between variables. this topic is directly related to predicting shareholders’ behavior and investment decision-making, ultimately helping improve investment strategies and risk management. hence, the main objective of this research is to conduct a comparative analysis of artificial neural networks and linear regression in predicting the continuation of shareholders’ overreaction trends.methodsthe present study is descriptive-causal, utilizing ex post facto research. to test the research hypotheses, multivariate linear regression based on panel data and a combination of time series was employed. data was collected using the library research method, and necessary information was gathered by studying the financial statements of companies within the statistical population. the statistical population includes all companies listed on the tehran stock exchange between 2011 and 2021, with 110 companies selected through systematic elimination sampling. in data analysis, regression methods were used to examine the relationships between variables, and the results were compared with those obtained from artificial neural networks.resultsthe results indicate the superiority of the artificial neural network model in terms of the coefficient of determination and the mse (mean squared error) index. specifically, the highest coefficient of determination for the artificial neural network (with 1 hidden layer and 9 neurons) for test data is 0.3880, compared to 0.349 for the linear regression model. moreover, the results show that the mse for the artificial neural network (1 hidden layer and 9 neurons) for test data is 0.003266, compared to 0.004 for the linear regression model. thus, similar to the coefficient of determination, the mse index is also better in the case of the artificial neural network.conclusionthe artificial neural network model is capable of uncovering complex and non-linear patterns, providing the most accurate predictions. by using this model, stock return trends can be predicted more precisely and reliably.