پیش بینی قیمت سهام عرضه اولیه با استفاده از شبکه عصبی مبتنی برالگوریتم ژنتیک و مقایسه قیمت پیشنهادی مدل با Op

پیام:
نوع مقاله:
مقاله پژوهشی/اصیل (بدون رتبه معتبر)
چکیده:

قیمت گذاری مناسب سهام عرضه عمومی اولیه شرکتهایی که برای اولین بار وارد بازار سرمایه میشوند، هم برای صاحبان شرکت و هم برای سرمایه گذاران بسیار حیاتی است. اما قیمتگذاری این سهام تحت تاثیر عوامل کمی و کیفی بسیاری میباشد. سیستمهای هوشمند غیرخطی همچون شبکه های عصبی و الگوریتم ژنتیک، ابزار مناسبی جهت پیش بینی دقیق قیمت سهام عرضه اولیه است. لذا هدف از انجام این پژوهش پیش بینی قیمت سهام عرضه اولیه با استفاده از شبکه عصبی مبتنی برالگوریتم ژنتیک و مقایسه قیمت پیشنهادی مدل با Op میباشد. جامعه آماری پژوهش، شرکتهای پذیرفته شده در بورس اوراق بهادار هستند که در بازه زمانی 1388 تا 1396 وارد بورس اوراق بهادار تهران شدند و 421 شرکت میباشند. نمونه آماری با توجه به فیلترهای ذکر شده، به 144 شرکت تقلیل یافت. جهت تجزیه و تحلیل داده ها از شبکه عصبی پیشرو و الگوریتم ژنتیک بهره گرفته شده است. نتایج نشان داد: مدل پیش بینی شده پژوهش جهت قیمت- گذاری سهام عرضه اولیه، مدل مطلوب و بهینهای است. همچنین مقایسه قیمت پیشنهادی مدل با op نیز نشان داد: قیمت پیش بینی شده مدل در عین نزدیکی به op ،ضمن افزایش نسبی قیمت میتواند انتظارات سرمایهگذاران و صاحبان شرکتها در قیمتگذاری مناسب سهام عرضه اولیه را برآورده نماید.

زبان:
فارسی
صفحات:
24 تا 36
لینک کوتاه:
magiran.com/p2219444 
دانلود و مطالعه متن این مقاله با یکی از روشهای زیر امکان پذیر است:
اشتراک شخصی
با عضویت و پرداخت آنلاین حق اشتراک یک‌ساله به مبلغ 1,390,000ريال می‌توانید 70 عنوان مطلب دانلود کنید!
اشتراک سازمانی
به کتابخانه دانشگاه یا محل کار خود پیشنهاد کنید تا اشتراک سازمانی این پایگاه را برای دسترسی نامحدود همه کاربران به متن مطالب تهیه نمایند!
توجه!
  • حق عضویت دریافتی صرف حمایت از نشریات عضو و نگهداری، تکمیل و توسعه مگیران می‌شود.
  • پرداخت حق اشتراک و دانلود مقالات اجازه بازنشر آن در سایر رسانه‌های چاپی و دیجیتال را به کاربر نمی‌دهد.
In order to view content subscription is required

Personal subscription
Subscribe magiran.com for 70 € euros via PayPal and download 70 articles during a year.
Organization subscription
Please contact us to subscribe your university or library for unlimited access!