ارائه مدلی مبتنی بر رفتار مالی سرمایه‌گذاران جهت پیش‌بینی قیمت سهام با استفاده از روش‌های فرا ابتکاری شبکه‌های عصبی

موضوع مالی رفتاری از جمله مباحث جدیدی است که در طول دو دهه گذشته توسط برخی اندیشمندان مالی مطرح گردید. ناشناخته ‌بودن عوامل تاثیرگذار بر تغییرات قیمت سهام، همواره دلیلی برای روی آوردن به پیش‌بینی قیمت سهام شرکت‌ها است. در اکثر مدل‌های پیش‌بینی‌کننده، سیستم فقط با استفاده از اطلاعات یک شاخص به پیش‌بینی می‌پردازد، اما در مدل پیشنهادی در این پژوهش یک سیستم دو سطحی از شبکه‌های عصبی پرسپترون چندلایه پیشنهاد شده و از چندین شاخص برای پیش‌بینی استفاده می‌شود. در این پژوهش داده‌های شاخص قیمت بورس اوراق بهادار تهران از سال 1391 تا 1395 برای پیش‌بینی در نظر گرفته شده است. در تحلیل رفتار مالی نتایج حاصل از این پژوهش پس از بررسی تاثیر هریک از عوامل رفتاری بر روی سرمایه‌گذاری دارایی‌های مالی نشان می‌دهد که تمام عوامل به غیر از عامل «بیش اطمینانی» روی سرمایه‌گذاری تاثیرگذار هستند و میزان این تاثیر برای هریک از جمله عوامل سود و زیان نسبی، اثر تمایلی، محافظه‌کاری، رفتار توده‌وار، شهود نمایندگی، اثر مالکیت و پشیمان گریزی متفاوت می‌باشد؛ که از بین این عوامل، عامل «سود و زیان نسبی» بیشترین تاثیر و عامل «پشیمان گریزی» کمترین تاثیر را بر روی سرمایه‌گذاری دارایی‌های مالی در بورس اوراق بهادار داشته است که این خود تاثیر مستقیم در شاخص قیمت بورس خواهد داشت. همچنین برای آموزش بهتر شبکه‌ی عصبی و درنتیجه بهبود نتایج به‌دست‌آمده، از الگوریتم بهینه‌سازی ملخ برای انتخاب بهترین نمونه‌ها استفاده شده است. نتایج به‌دست‌آمده نشان می‌دهد که مدل پیشنهادی توانسته با خطای پیش‌بینی پایین‌تری نسبت به دیگر مدل‌ها عمل کند.

Providing a model based on the financial behavior of investors in order to predict stock prices using ultrainnovative methods of neural networks

The issue of behavioral finance is one of the new debates raised by some financial pundits over the past two decades. The unknown factors affecting stock price changes are always a reason to use stock price prediction. In most predictive models, the system performs prediction using only one indicator, but in the proposed model in this study, a twolevel system of multilayered perceptron neural networks is presented, which uses several indicators for prediction. In this study, required information of Tehran stock exchange price indicators, for fiscal years 2012 2017 was collected. In order to analyze the financial behavior, after examining the effect of each behavioral factor on the investment of financial assets, the results show that all factors other than overconfidence affect investment, but the effectiveness of each factor, including relative profit and loss , disposition effect , conservatism , herd behavior , representativeness , ownership and regret aversion is different. Among these factors, the relative profit and loss has had the most impact on the investment of financial assets in the stock exchange, and the regret aversion has the least, which proceeding a direct impact on the stock price index. Also, for better training of the neural network and consequently improving the results, grasshopper optimization algorithm is used to select the best samples. The results show that the proposed model could have lower predictive error than other models.