طراحی مدل تبیین کننده اثر عوامل موثر بر پیش بینی سود شرکت های پذیرفته شده در بورس اوراق بهادار تهران با استفاده از مدل یادگیری ماشین ، شبکه عصبی و رگرسیون خطی

هدف از این پژوهش طراحی مدل تبیین کننده اثر عوامل شرکتی و کلان اقتصادی بر پیش بینی سود شرکت های پذیرفته شده در بورس اوراق بهادار تهران می‌باشد. در این راستا قابلیت پیش بینی سود شرکت های بورسی با استفاده از چهار مدل یادگیری ماشین بردار پشتیبان رگرسیون(svr)، شبکه عصبی ساده(ann) ، شبکه عصبی عمیق(dnn)، رگرسیون خطی(lm)) مورد بررسی قرار گرفت. این پژوهش از نوع پژوهش‌های کاربردی و برحسب نحوه گردآوری داده‌ها , از نوع توصیفی (همبستگی) و مقیاس اندازه‌گیری داده‌ها نسبی می‌باشد. برای آزمون سوالات تحقیق، داده‌های حسابداری بین سال های 1389 1398 تهیه و متغیرهای ورودی برای مدل بر اساس آن محاسبه گردید. جهت بررسی نتایج حاصل از تجزیه و تحلیل داده ها با استفاده از مدل های بردار پشتیبان رگرسیون، شبکه عصبی ساده، شبکه عصبی عمیق، رگرسیون خطی، ابتدا مجموعه داده ها به دو قسمت آموزشی و آزمایشی تقسیم شده بطوریکه 90 درصد داده ها برای آموزش و 10 درصد برای آزمایش در نظر گرفته شده است. نتایج حاصل از تجزیه و تحلیل داده ها نشان می هد که مدل شبکه های عصبی عمیق برای مجموعه داده های آزمایشی دارای مقادیر rmse و mae کمتری نسبت به بقیه مدل ها می باشد. بنابراین می توان نتیجه گرفت برای پیش بینی سود شرکتهای بورسی با استفاده از متغیرهای کلان و درون شرکتی مدل شبکه های عصبی مصنوعی میتواند رهیافت مناسبی باشد؛

presenting an explanatory model of factors which explains the effect of the company’s factors on the prediction of accepted profits in the tehran stock exchange using machine learning, neural network and linear regression

the present paper deals with the way of designing a model describing the effect of corporate and macroeconomic factors on the profit forecast of companies listed on the tehran stock exchange. to this end, the capability of profit forecast in stock exchange companies was investigated using four machine learning models including: support vector machine learning model of regression (svr), simple and deep neural network (ann dnn) and linear regression (lm). this research is of applied research type and it is of descriptive type (correlation) in terms of data collection method, with relative data measurement scale. for testing the research questions, accounting data between 2010 2019 were prepared and input variables for the model were calculated accordingly. in order to check the results of data analysis using regression support vector models, simple neural network, deep neural network, linear regression, first the data set is divided into two training and testing parts so that 90% of the data is used for training and 10% is reserved for testing. the results of data analysis show the deep neural network model for the experimental data set has lower rmse and mae values than the support vector regression model. therefore, it can be concluded that using macro variables and intra company variables, the model of artificial neural networks can be a good approach to forecast profit of listed companies.