ارایه مدلی برای نقدشوندگی روزانه سهام در بورس اوراق بهادار تهران

نقدشوندگی مفهومی است که به روشنی قابل تعریف نبوده و تاکنون بیش از 90 معیار مختلف در سراسر جهان برای نقدشوندگی بکار رفته است. پژوهش حاضر با هدف ارایه مدلی بومی برای نقدشوندگی روزانه سهام بر مبنای عوامل موثر بر نقدشوندگی، شکل گرفته است. مقادیر 7 عامل غیرسیستماتیک که قابلیت ارزیابی روزانه داشتند، براساس داده های 151 شرکت فعال در بازه زمانی 1388 لغایت 1400 استخراج و در قالب دو خوشه افراز شد. با استفاده از معادلات ساختاری با رویکرد حداقل مربعات جزیی، اعتبار متغیرهای شناسایی شده با معیار استخراجی ارزیابی و توان آنها در توضیح دهندگی تغییرات آن محاسبه شد. ارزیابی ارتباط متغیرها در مدل های یادگیری ماشینی نشان داد که قیمت پایانی، ارزش روزانه معاملات، بازده روزانه، واریانس بازده های روزانه و اندازه شرکت بیشترین تاثیر را در خوشه بندی دارند. سرانجام بهترین مدل یادگیری ماشینی، براساس آموزش و آزمون انتخاب شد. نتایج نشان می دهد متغیرهای مستقل، بیش از 83 درصد از تغییرات نقدشوندگی را توضیح می دهند. همچنین مدل رگرسیون لجستیک در مقایسه با سایر مدل های یادگیری ماشینی، توان پیش بینی بالاتری داشته و با 6/99 درصد صحت برازش، مناسب ترین مدل پیش بینی نقدشوندگی است.