پیش‌بینی بازده سهام با تاکید بر نقش معیارهای مالی و نظارتی با استفاده از روش‌های یادگیری ماشین

مقدمه: پیش‌بینی بازده سهام اگرچه پیچیده است ولی همواره مورد علاقه سرمایه‌گذاران می‌باشد. سرمایه‌گذاران و تصمیم‌گیران جهت پیش‌بینی بازده سهام نیازمند اطلاعات هستند. هدف: این پژوهش با هدف پیش‌بینی بازده سهام در شرکت‌های پذیرفته‌شده بورس اوراق بهادار تهران  با تاکید بر نقش معیارهای مالی و نظارتی با استفاده از روش‌های یادگیری ماشین انجام شد.روش: این پژوهش از لحاظ هدف کاربردی و به لحاظ نوع مطالعه میدانی- کتابخانه‌ای است. جامعه آماری را شرکت‌های پذیرفته‌شده بورس اوراق بهادار تهران  طی سال‌های 1390 تا 1396 (یک دوره هفت‌ساله) تشکیل دادند و آزمون فرضیه‌ها با استفاده از روش‌های یادگیری ماشین (رویکرد خطی و غیرخطی و قانون‌گرا) انجام گرفت. یافته‏ها: نتایج آزمون متغیرگزینی با استفاده از روش relief-f حاکی از ارتباط معنادار متغیرهای بازده دارایی، نسبت قیمت به سود هر سهم،کیوتوبین، نسبت وجه‌نقد عملیاتی، اهرم مالی و نسبت مالکان نهادی با بازده سهام است. همچنین نتایج نشان داد که روش‌های یادگیری ماشین pinsvr در حالت خطی و غیرخطی و cart توانایی مناسبی (بیش از 90 درصد) جهت پیش‌بینی بازده سهام دارند اما روش غیرخطی  pinsvr و قانون‌گرای cart نسبت به روش خطی قدرت پیش‌بینی بالاتری را نشان داد.نتیجه‏گیری: با توجه به نتایج به‌دست آمده، به صاحبان سرمایه و تصمیم‌گیران شرکت‌ها توصیه می‌شود که در تصمیم‌گیری‌های خود پیرامون سرمایه‌گذاری در بورس اوراق بهادار تهران از قدرت پیش‌بینی الگوریتم‌های هوش مصنوعی به‌ویژه روش‏های غیرخطی استفاده کنند.

predicting stock returns with emphasis on the role of financial and regulatory criteria using machine learning methods

introduction: predicting stock returns, although complex, has always been of interest to investors. investors and decision makers need information to predict stock returns. aim: the aim of this study was to predict stock returns in companies listed on the tehran stock exchange by emphasizing the role of financial and regulatory criteria using machine learning methods. method: this research is applied in terms of purpose and in terms of the type of field-library study. the statistical population consisted of companies listed on the tehran stock exchange during the years 1390 to 1396 (a seven-year period) and the hypotheses were tested using machine learning methods (linear, nonlinear and cart). results: the results of variable selection test using relief-f method indicate a significant relationship between return on assets, price-to-earnings-per-share ratio, quota, operating cash ratio, financial leverage and institutional owners’ ratio to stock returns. the results also showed that pinsvr machine learning methods in linear and nonlinear mode and cart have a good ability (more than 90%) to predict stock returns, but the nonlinear pinsvr method and cart showed higher predictive power than the linear method.conclusion: according to the results, capital owners and company decision makers are advised to use the predictive power of artificial intelligence algorithms, especially nonlinear methods, in their decisions about investing in the tehran stock exchange.