پیش بینی قیمت گذاری عرضه عمومی اولیه با استفاده از الگوریتم بهینه سازی انبوه ذرات PSO و ماشین بردار پشتیبان SVM

در پژوهش حاضر به مقایسه قدرت شبکه های عصبی، ماشین بردار پشتیبان و مدل برخاسته از ترکیب الگوریتم بهینه سازی انبوه ذرات PSO وماشین بردار پشتیبان SVM به منظور پیش بینی قیمتگذاری عرضه های عمومی اولیه پرداخته می شود. هدف این تحقیق طراحی مدلی است که به سرمایه گذاران در تشخیص صحت قیمت گذاری عرضه های عمومیاولیه و شکار فرصت های سودآوری یاری رساند. بنابراین متغیرهای استفاده شده در این پژوهش از میان آن دسته از متغیرهای انتخاب شده اند که قبل از عرضه در اختیار سرمایه گذارانی که دسترسی محدودی به اطلاعات دارند، قرار داشته باشد. از سوی دیگر، نتایج این تحقیق می تواند برای شرکت ناشر، مشاور پذیرش، پذیره نویسان و نیز قانون گذاران بورس اوراق بهادار سودمند باشد. نتایج تحقیق نشان می دهد ترکیب الگوریتم بهینه سازی انبوه ذرات PSO و ماشین بردار پشتبیان SVM قدرت پیش بینی را به طور محسوسی افزایش می دهد. در نتیجه، مدلهای ماشین بردار پشتیبان می توانند با افزایش صجت قیمت گذاری عرضه های عموی اولیه منافع اقتصادی بااهمیتی به صورت کاهش هزینه های قیمت گذاری کمتر از واقع فراهم کنند.

کلیدواژه ها:

عرضه های عمومی اولیه ، قیمت گذاری ، شبکه های عصبی ، ماشین بردار پشتیبان ، الگوریتم بهینه سازی انبوه ذرات