بررسی مقایسه‌ای دقت پیش‌بینی مدل‌های ماشین بردار پشتیبان، شبکه بیزین و سی‌فایو در پیش بینی قیمت‌گذاری کمتر از واقع شرکت‌های پذیرفته شده در بورس اوراق بهادار و فرابورس

پژوهش‌های پیشین در زمینه عملکرد کوتاه‌مدت عرضه عمومی اولیه، بیانگر این واقعیت است که سهام تازه عرضه شده در کوتاه‌مدت، عملکرد بهتری نسبت به بازار دارد. مدل‌های آماری توانسته‌اند پیش‌بینی‌های خوبی در مورد عملکرد این‌گونه سهام ارائه دهند ولی مفروضات محدودکننده برخی از این مدل‌ها بر اثربخشی‌شان موثر بوده است. بنابراین، روش‌های دیگری برای مقابله با این محدودیت‌ها و بهبود پیش‌بینی‌ها معرفی شدند. از آن‌جایی که عرضه عمومی اولیه موضوع بااهمیتی در بازار سرمایه است، در این پژوهش به بررسی مدل‌های طبقه‌بندی مختلف برای دست‌یابی به مدلی که از کارایی و دقت بالایی در پیش‌بینی قیمت‌گذاری کمتر از واقع سهام عرضه عمومی اولیه برخوردار است، پرداخته شد. به‌منظور دست‌یابی به این هدف، 84 شرکت بورسی و 54 شرکت فرابورسی طی سال‌های 1382 تا 1396 به‌روش حذف سیستماتیک جهت تحلیل در نظر گرفته شد. نتایج نشان داد که مدل‌های ماشین بردار پشتیبان، شبکه بیزین و سی‌فایو از دقت بالایی در پیش‌بینی قیمت‌گذاری کمتر از واقع برخوردارند. همچنین نتایج نشان داد که متغیرهای مهم تاثیرگذار شامل رشد دارایی‌ها، دوره تصدی حسابرس، تخصص حسابرس در صنعت، نسبت فعالیت‌های تامین‌مالی، نسبت قیمت به سود هرسهم، بازده دارایی‌ها، نسبت فعالیت‌های عملیاتی، اندازه موسسه حسابرسی، فرصت‌های رشد و نوسانات قیمت سهام هستند.

The comparative study of the accuracy of prediction of Support Vector Machine, Bayesian Network and C5 models in prediction underpricing for listed companies at TSE and OTC

Previous research into the shortterm performance of the initial public offering reflects the fact that shortterm stocks perform better than the market in the short run. Statistical models have been able to make good predictions about the performance of new stocks, but the limiting assumptions of some of these models have been effective! So, other ways to deal with these limitations and improve forecasting performance were introduced. Since initial public offering is an important issue in the capital market, in this study, we investigate different classification models to achieve a model that has high efficiency and accuracy in predicting underpricing of initial public offering (IPO) stocks. To achieve the research goal, systematic elimination sampling method is considered to select 84 companies among all listed companies at Tehran Stock Exchange (TSE) and 54 companies among all listed companies at Over the Counter (OTC) from 2003 to 2017. The results showed that support vector machine (SVM), Bayesian Network and C5 decision tree models are highly accurate in predicting underpricing. The results also showed that the influential variables included assets growth, auditor tenure, auditor specialty in the industry, financing ratio, P/E, CFO ratio, ROA, stock price fluctuate, growth opportunity and audit firm size.