مقایسه قدرت پیش‌بینی الگوریتم کرم شب‌تاب، الگوریتم درخت تصمیم و الگوریتم رگرسیون ماشین‌بردار پشتیبان جهت پیش‌بینی ریسک سیستماتیک

یکی از مهمترین مباحث بازار سرمایه آگاهی از میزان ریسک شرکت‌ها به ویژه ریسک سیستماتیک است که می تواند بازده سهام شرکت‌ها را تحت تاثیر قرار داده و نقش به سزایی در تصمیم‌گیری ایفا کند. در این تحقیق، هدف پیش‌بینی ریسک سیستماتیک شرکت‌های پذیرفته شده در بورس اوراق بهادار تهران با استفاده از نرم افزار شبکه عصبی مصنوعی و سه الگوریتم کرم شب تاب، الگوریتم درخت تصمیم و الگوریتم رگرسیون ماشین بردار پشتیبان می باشد. برای انجام این تحقیق از نمونه ای شامل 92 شرکت از شرکت‌های پذیرفته شده در بورس اوراق بهادار تهران طی دوره زمانی 1392 الی 1397 استفاده شده است. نتایج حاصل شده از آزمون فرضیه‌های تحقیق نشان داد که قدرت پیش‌بینی ریسک سیستماتیک در الگوریتم کرم شب تاب نسبت به دو الگوریتم درخت تصمیم و الگوریتم رگرسیون ماشین بردار پشتیبان بیشتر می‌باشد و همچنین قدرت پیش‌بینی الگوریتم درخت تصمیم نسبت به الگوریتم رگرسیون ماشین بردار پشتیبان به جهت پیش‌بینی ریسک سیستماتیک بالاتر می باشد.

The Compare of Power Fire Flies Algorithm Prediction, Decision Making Tree Algorithm and the Support Vector Machine Regression Algorithm for Systematic Risk Predicti

Financial and economic decisions are always at risk due to future uncertainties. Therefore, one of the ways to help investors is to provide investment risk forecasting patterns. The more predictions are closer to reality, the decisions made on the basis of such predictions will be correct. In this research, the goal of predicting the systematic risk of companies admitted to Tehran Stock Exchange using artificial neural network software and three nightworm algorithms, decision tree algorithm and backup vector machine regression algorithm. For this research, a sample of 92 companies from listed companies in Tehran Stock Exchange during the period 2013 to 2018 has been used. The results obtained from the research hypothesis test showed that the predictive power of systematic risk in the night cream algorithm is more than the decision tree algorithm and the support vector machine regression algorithm, as well as the predictive power of the decision tree algorithm in relation to the backup vector machine regression algorithm It is higher for systematic risk prediction