ارائه مدلی برای پیش‌بینی ارزش‌گذاری معاملات بلوکی با رویکرد شبکه عصبی مصنوعی lstm

هدف: در غالب پژوهش‌های پیشین در ایران و سایر کشورهای دیگر توانمندی سیستم‌های هوشمند در پیش‌بینی متغیرهای اقتصادی و مالی به‌ویژه قیمت سهام تایید شده است، اما در ارزش‌گذاری معاملات بلوکی برای اولین‌بار محاسبه می‌گردد. هدف پژوهش حاضر بررسی نتایج رویدادها و اطلاعات از گزارش‌‌های مالی شرکت‌های پذیرفته شده در بورس اوراق بهادار تهران در قالب 15 شاخص مالی و یافتن میزان تاثیرگذاری این شاخص‌ها بر ارزش‌گذاری معاملات بلوکی با استفاده از آزمون rmse بر روی داده‌های test موردمطالعه قرار گرفته است.روش‌شناسی پژوهش: بدین منظور از اطلاعات مالی 64 شرکت ازمجموعه شرکت‌های پذیرفته شده درسازمان بورس اوراق بهادارتهران برای دوره زمانی 1390 تا1400 استفاده شده است. فرضیه‌ی تحقیق با بهره‌گیری از شبکه عصبی یادگیری عمیق مدل lstm آزمون شده‌است.یافته‌ها: شبکة عصبی lstm به جهت توانمندی بالا در آموزش داده‌ها و وزن‌های مناسب به این داده‌ها و خلق مسیری که با سرعت و دقت نتایج قابل‌قبولی جهت پیش‌بینی ارزش‌گذاری معاملات بلوکی دارد.اصالت / ارزش‌افزوده علمی: در مدل ارائه شده با اندازه‌گیری ارزش‌گذاری معاملات بلوکی، قیمت این معاملات، اثرات اطلاعات و نقدینگی معاملات با اندازه‌بزرگ را واپایش خواهیم نمود.

developing an lstm neural network model for predicting blocktrade transaction valuation

since the prediction of future events plays a major role in the decision-making process, therefore, forecasting is important for many organizations and institutions, and it can be considered a useful tool for short-term and long-term planning. thus, block transactions are important signs for active stock market investors these transactions are directly related to the valuation of a company's share capital mehrani et al. (2014). due to the fact that stock block transactions are directly related to capital valuation and revealing exchange prices, the prediction of block transaction valuation can help investors decide to keep or transfer block shares and control interests and capital gains and increase added values to be effective. alaso, taking into account the past experimental studies that a wide range of applied studies and statistical and econometric models for block transactions have been carried out using regression, in this research, at first, some factors affecting block transactions have been investigated and then from the artificial neural network model lstm is used to predict the valuation of block transactions, which in a way reflects the innovation of this research. in this regard, the main question of the research is that according to the multiplicity of forecasting models, “is it a correct basis to predict the valuation of block transactions with the lstm artificial neural network?