ارزیابی مدل های هیبرید در پیش بینی بازده نقدی سهام شرکت های کشاورزی
- سال انتشار: 1396
- محل انتشار: فصلنامه اقتصاد و توسعه کشاورزی، دوره: 31، شماره: 1
- کد COI اختصاصی: JR_JEAD-31-1_008
- زبان مقاله: فارسی
- تعداد مشاهده: 524
نویسندگان
دانشیار گروه اقتصاد ، کشاورزی، دانشکده کشاورزی، دانشگاه فردوسی مشهد
دانشجوی دکترا گروه اقتصاد کشاورزی، دانشکده کشاورزی، دانشگاه فردوسی مشهد
کارشناسی ارشد گروه اقتصاد کشاورزی، دانشکده کشاورزی، دانشگاه فردوسی مشهد
چکیده
پیش بینی بازده نقدی شرکت های کشاورزی فعال در بازار بورس نقش بسیار مهمی در تعیین تولید، توزیع، تقاضا و کاهش ریسک و عدم قطعیت بازاری ایفا می نماید. از این رو، توسعه روش های پیش بینی و بهبود عملکرد این روش ها برای صاحبان شرکت ها و همچنین فعالان بازار بورس امری ضروری است. لذا، مقایسه عملکرد و دقت روش های مختلف پیش بینی مقادیر بازده نقدی سهام شرکت های کشاورزی در بورس اوراق بهادار تهران هدف اصلی این مطالعه می باشد. در این مطالعه با استفاده از داده های ماهانه بازده نقدی طی دوره ی (1) 1388 تا (1) 1394و بر اساس معیارهای دقت و آزمون دایبولد و ماریانو، دقت پیش بینی روش های خطی (ARIMA و ARIMAX)، غیرخطی (NAR و NARX) و مدل های هیبرید (ARIMA-ANN و ARIMAX-ANN) مورد ارزیابی و مقایسه قرار گرفته است. با اضافه نمودن متغیرهای توضیحی نرخ ارز، نرخ بهره، نرخ تورم، قیمت نفت و مخارج دولت؛ این مطالعه سعی در پاسخگویی به این سوال را دارد که آیا عملکرد مدل های پیش بینی خطی، غیرخطی و هیبرید به طور قابل توجهی بهبود می یابد یا خیر نتایج مطالعه نشان داد که در مدل های خطی و غیرخطی، اضافه نمودن متغیرهای توضیحی خارجی موجب بهبود عملکرد پیش بینی می گردد؛ اما این یافته برای مدل های هیبرید برقرار نمی باشد. همچنین، نتایج مطالعه موید آن است که مدل های هیبرید در مقایسه با مدل های خطی و غیرخطی، از دقت و عملکرد بهتری در پیش بینی مقادیر بازده نقدی سهام شرکت های کشاورزی برخوردار می باشند. لذا به شرکت ها و سهامداران بازار بورس اوراق بهادار توصیه می گردد که از مدل های هیبرید در برنامه ریزی های مالی خود استفاده نمایند.کلیدواژه ها
بازار بورس، پیش بینی، مدل هیبرید، ARIMAXمقالات مرتبط جدید
- A Comprehensive Review of The Challenges Facing the Use of Nanoparticles in The Treatment of Parasitic Infections
- مروری بر لیشمانیوز از اپیدمیولوژی تا روش های تشخیصی نوین
- مروری بر روشهای خشک کردن گیاهان باتاکید بر خشک کردن پاششی
- بهبود فرایندهای تشخیصی و پیشگیری سرطان حیوانات با هوش مصنوعی و فناوری های نوین: پیشرفت ها، چالش ها و چشم انداز آینده
- Integrated Interdisciplinary One Health Surveillance Systems for Early Detection of Disease Spillovers: Pandemic Preparedness and Outbreak Investigation
اطلاعات بیشتر در مورد COI
COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.
کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.