پیش بینی بهینه بازده کوتاه مدت عرضه‌های اولیه با استفاده از الگوریتم‌های خفاش و جنگل تصادفی

هدف این پژوهش، پیش‌بینی بازده کوتاه مدت سهام در عرضه‌های اولیه با استفاده از الگوریتم‌های خفاش و جنگل تصادفی می باشد. در این تحقیق، شرکتهایی که طی بازه زمانی1394 تا1399 برای اولین بار در فرابورس ایران عرضه شده‌اند به عنوان نمونه آماری انتخاب شدند. برای تجزیه وتحلیل داده‌ها از نرم‌افزار matlab استفاده گردید. برای آزمون فرضیه‌ها دو سناریو طرح گردید. سناریوی اول بصورت سالانه و سناریوی دوم بصورت6ساله در نظر گرفته شد. داد‌ه‌های مالی با 11 عامل: بازده کوتاه مدت بازار، بازده کوتاه مدت سهام جدید، تمایلات بازار، سن شرکت، اندازه شرکت، فروش سالانه ، بازده دارایی، بازده حقوق صاحبان سهام، قیمت انتشار سهام عرضه اولیه، سود عملیاتی، گردش نقدی از عملیات به عنوان عوامل تاثیرگذار و بازده مازاد سهم عرضه شده نسبت به بازار عامل تاثیرپذیر به‌عنوان پیش فرض‌های ورودی برای پیش‌بینی مقدار بهینه، وارد الگوریتم‌ها شدند. نتایج بدست آمده از الگوریتم خفاش حاکی از آن است که الگوریتم خفاش توانسته در هردو سناریو عملکرد بهتری در پیش‌بینی بازده کوتاه مدت سهام در عرضه‌های اولیه ارائه دهد و تفاوت چندانی ندارد. درحالی‌که نتایج دقت در پیش‌بینی الگوریتم جنگل تصادفی در سناریوی دوم به نسبت سناریوی اول حدود12 درصد افزایش یافته است. دلیل این تفاوت می‌تواند ناشی از بزرگ بودن فضای جستجو و کوتاه بودن طول زمانی‌داده‌ها برای الگوریتم جنگل تصادفی عنوان نمود. می‌توان نتیجه گرفت بکارگیری الگوریتم‌های نوپای خفاش وجنگل تصادفی در پیش‌بینی بازده کوتاه‌مدت سهام در عرضه‌های اولیه می‌تواند سرمایه‌گذاران را در پیش‌بینی بازده حداکثری و انتخاب بهنرین سهام براساس الگویی دقیق و با دقت بالا یاری نماید.

optimal short term prediction of initial supply yields using bat and random forest algorithms

the purpose of this study is to predict short term stock returns in initial public offerings using random bat and forest algorithms. in this study, companies that were listed on the otc market of iran for the first time during the period 1394 to 1399 were selected as a statistical sample. matlab software was used to analyze the data. two scenarios were proposed to test the hypotheses. the first scenario was considered as annual and the second scenario as 6 years. financial data with 11 factors: short term market return, short term return on new stock, market trends, company age, company size, annual sales, return on assets, return on equity, initial public offering price, operating profit, cash flow from operations as influential factors and excess return of the offered share relative to the influential operating market entered the algorithms as input assumptions to predict the optimal amount. the results obtained from the bat algorithm indicate that the bat algorithm was able to provide better performance in predicting short term stock returns in initial public offering in both scenarios and is not much different. while the results of accuracy in predicting the random forest algorithm in the second scenario compared to the first scenario has increased by about 12%. it can be concluded that the use of emerging bat and jungle algorithms in predicting short term returns can help investors in predicting maximum returns and selecting the best stocks based on a precise and accurate pattern.