توانایی الگوریتم های یادگیری ماشین و شبکه های عصبی مصنوعی در پیش بینی محتوای اطلاعاتی سود حسابداری قبل از اعلان آن

هدف از پژوهش حاضر بررسی توانایی شبکه های عصبی مصنوعی و الگوریتم های یادگیری ماشین شامل ماشین بردار پشتیبان و جنگل تصادفی در پیش بینی محتوای اطلاعاتی سود حسابداری قبل از اعلان آن در شرکت های پذیرفته شده در بورس اوراق بهادار تهران در بازه زمانی سال های 1394الی 1399می باشد.روش شناسی پژوهش: برای جمع آوری داده های روزانه موردنیاز پژوهش از نرم افزار ره آورد نوین استفاده شده است و با استفاده از روش نمونه گیری حذفی سیستماتیک 88 شرکت انتخاب شدند. از نرم افزار متلب به منظور مدل سازی شبکه های عصبی و الگوریتم های یادگیری ماشین استفاده شده است و به منظور محاسبه بازده غیرعادی در شبکه های عصبی و الگوریتم های یادگیری ماشین از کد نوشته شده در نرم افزار پایتون استفاده شده است. محتوای اطلاعاتی سود از طریق آزمون ارتباط بین سود و بازده غیرعادی و بر اساس مدل پورتی و همکاران (Poretti et al., 2018) سنجیده شده است. متغیرهای ورودی شبکه های عصبی و الگوریتم های یادگیری ماشین اندیکاتورها تحلیل تکنیکال می باشند. به منظور ارزیابی عملکرد طبقه بندی، از معیارهای صحت، دقت، فراخوانی و اندازه F استفاده شده است. نتایج حاصل از پیش بینی سه مدل شبکه های عصبی مصنوعی، ماشین بردار پشتیبان و جنگل تصادفی نشان داد که ماشین بردار پشتیبان و جنگل تصادفی از دقت بالاتری نسبت به شبکه های عصبی مصنوعی، در پیش بینی استراتژی خرید، فروش و نگهداری برخوردار بوده اند و تنها ماشین بردار پشتیبان از سه مدل مذکور توان پیش بینی محتوای اطلاعاتی سود را داشته است.اصالت / ارزش افزوده علمی: طراحی مدل پیش بینی جهت حرکت قیمت سهام در روز آتی معاملاتی، با سه روش شبکه های عصبی مصنوعی، ماشین بردار پشتیبان و جنگل تصادفی به عنوان اصلی ترین نوآوری پژوهش می باشد و همچنین یافته های پژوهش می تواند سرعت انتقال اطلاعات به بازار و جذب آن را افزایش دهد که این عامل منجر به کاهش اثر عدم تقارن اطلاعاتی و معاملات مبتنی بر اطلاعات نهانی و در نهایت افزایش کارایی بازار خواهد شد.