پیشبینی سود هر سهم با استفاده از الگوریتم بهینه سازی حرکت ذرات PSO و ماشین بردار پشتیبان SVM

در پژوهش حاضر به مقایسه شبکه های عصبی، ماشین بردار پشتیبان و مدل برخواسته از ترکیب الگوریتم بهینه سازی انبوه ذرات PSOوو ماشین بردار پشتیبان SVM به منظور پیش بینی سود هر سهم شرکت های پذیرفته شده در بورس پرداخته است. هدف این تحقیق طراحی مدلی است که سرمایه گذاران در بورس با پیش بینی هرچه دقیق تر سود هر سهم EPSو سود تقسیمی DPS که از فاکتورهای مهم در ارزیابی شرکت های در بورس می باشند، بتوانند در به دست آوردن فرصت سودآوری به آنها کمک نماید. جهت بررسی رابطه در شرایط بازار بورس تهران در دوره زمانی 1388-1393 جامعه ی مطالعاتی شامل شرکت های پذیرفته شده در بورس اوراق بهادار تهران می باشد، که با استفاده از روش حذف سیستماتیک، شرکت هایی که اطلاعات مورد نظر پژوهش ما را فراهم نکرده اند، حذف و تعداد 101شرکت انتخاب می گردد. سپس متغیرهای پژوهش مورد شناسایی قرار می گیرد که جهت تجزیه و تحلیل اطلاعات، از داده های به دست آمده از نرم افزار ره آورد نوین استفاده شده است . این داده ها جهت آزمون فرضیه ها توسط نرم افزار EXCELوMATLABوNEURO SOLATION استفاده شده است . نتایج این تحقیق نشان می دهد که ترکیب الگوریتم بهینه سازی انبوه ذرات PSO و ماشین بردار پشتیبان SVM قدرت پیش بینی را به طور محسوسی افزایش می دهد

کلیدواژه ها:

سود هر سهم ، سود تقسیمی ، شبکه های عصبی ، ماشین بردار پشتیبان SVM ، الگوریتم بهینه سازی انبوه ذرات PSO ، تغییرات سود هر سهم