بومی‌سازی الگوهای ارزیابی ریسک سیستماتیک برپایه متغیر های مالی و غیر‌مالی

تصمیم‌گیری در مسائل مالی و اقتصادی به دلیل عدم اطمینان آتی، همواره با ریسک همراه است. بنابراین یکی از راه های کمک به سرمایه‌گذاران، ارائه الگوهای پیش‌بینی ریسک سرمایه‌گذاری می‌باشد. هر چه این پیش‌بینی‌ها به واقعیت نزدیکتر باشند، تصمیم‌گیری‌هایی که بر اساس چنین پیش‌بینی‌هایی اتخاذ می‌شوند، صحیح‌تر خواهد بود. هدف اصلی پژوهش تجربی حاضر پیش‌بینی ریسک سیستماتیک با تاکید بر متغیرهای مالی و غیرمالی می‌باشد. جامعه آماری این پژوهش، شرکت‌های پذیرفته‌ شده در بورس اوراق بهادار تهران است. داده‌های مورد مطالعه این پژوهش شامل 552 سال شرکت از سال‌های 1392 تا 1397 می‌باشد. برای آزمون فرضیه ها از رویکرد شبکه های عصبی مصنوعی و الگوریتم های کرم شب، درخت تصمیم و رگرسیون ماشین بردار پشتیبان استفاده شده است. نتایج حاصل شده از آزمون فرضیه‌های تحقیق نشان داد که هر سه الگوریتم، قدرت تبیین ریسک سیستماتیک را دارا می‌باشند.

Localization of systematic risk assessment patterns Based on financial and non-financial variables

Financial and economic decisions are always at risk due to future uncertainties. Therefore, one way to help investors is to provide investment risk forecasting models. But as these projections are closer to reality, decisions that are based on such predictions will be more correct. The main purpose of the present experimental study is to predict systematic risk with emphasis on financial and nonfinancial variables. The statistical population of this research is the companies accepted in Tehran Stock Exchange. The data of the study consist of 552 Firmyear from 2012 to 2017. To test the hypotheses, the artificial neural networks approach and night worm algorithms, decision tree and regressor of backup vector machine have been used. The results of this study showed that the results obtained from the hypothesis test showed that all three of the algorithms have the power to explain systematic risk.