ارایه مدلی برای نقدشوندگی روزانه سهام در بورس اوراق بهادار تهران

نقدشوندگی مفهومی است که به روشنی قابل تعریف نبوده و تاکنون بیش از 90 معیار مختلف در سراسر جهان برای نقدشوندگی بکار رفته است. پژوهش حاضر با هدف ارایه مدلی بومی برای نقدشوندگی روزانه سهام بر مبنای عوامل موثر بر نقدشوندگی، شکل گرفته است. مقادیر 7 عامل غیرسیستماتیک که قابلیت ارزیابی روزانه داشتند، براساس داده‌های 151 شرکت فعال در بازه زمانی 1388 لغایت 1400 استخراج و در قالب دو خوشه افراز شد. با استفاده از معادلات ساختاری با رویکرد حداقل مربعات جزیی، اعتبار متغیرهای شناسایی‌شده با معیار استخراجی ارزیابی و توان آنها در توضیح‌دهندگی تغییرات آن محاسبه شد. ارزیابی ارتباط متغیرها در مدل‌های یادگیری‌ماشینی نشان داد که قیمت پایانی، ارزش روزانه معاملات، بازده روزانه، واریانس بازده‌های روزانه و اندازه شرکت بیشترین تاثیر را در خوشه‌بندی دارند. سرانجام بهترین مدل یادگیری ماشینی، براساس آموزش و آزمون انتخاب شد. نتایج نشان می‌دهد متغیرهای مستقل، بیش از 83 درصد از تغییرات نقدشوندگی را توضیح می‌دهند. همچنین مدل رگرسیون لجستیک در مقایسه با سایر مدل‌های یادگیری ماشینی، توان پیش‌بینی بالاتری داشته و با 99/6 درصد صحت برازش، مناسب‌ترین مدل پیش‌بینی نقدشوندگی است.

presenting a model for daily liquidity of stocks in tehran stock exchange

liquidity is a concept that is not clearly defined and so far more than 90 different criteria have been used for liquidity around the world. the present study aims to provide a local model for daily stock liquidity based on factors affecting liquidity. the values of 7 non-systematic factors that could be evaluated daily were extracted based on the data of 151 active companies in the period of 2009 to 2021 and divided into two clusters. using structural equations with partial least squares approach, the validity of the identified variables was evaluated by the extraction criterion and their ability to explain its changes was calculated. evaluation of the relationship between variables in machine learning models showed that final price, daily transaction value, daily returns, variance of daily returns and firm size have the greatest impact on clustering. finally, the best model of machine learning was selected based on training and tests. the results show that the independent variables explain more than 83 per of the liquidity changes. also, logistic regression model has a higher predictive power compared to other machine learning models and with 99.6 per fit accuracy, it is the most appropriate liquidity prediction model.