فهرست نشریات علمی دسترسی آزاد ایران

هدف: بیش‌واکنشی یکی از ناهنجاری‌های قابل مشاهده در بازار است که پیامدهای متعددی از جمله ناکارایی بازار را به‌دنبال دارد. بر این اساس، یکی از موضوعاتی که در اکثر بورس‌های معتبر دنیا بررسی می‌شود، بیش‌واکنشی سهام‌داران است. بیش‌واکنشی سرمایه‌گذاران به‌عنوان یکی از استثنائات، بیشتر در بازارهای کمتر توسعه یافته و نوظهور مطرح است. شواهد زیادی وجودی دارد که سرمایه‌گذاران به رویدادهای مالی، بیش از حد لازم واکنش نشان میدهند. در واقع بیش‌واکنشی به‌عنوان یک پدیدۀ رفتاری، باعث می‌شود تا تصمیم‌گیری سرمایه‌گذاران در شرایط‌عدم اطمینان، دچار تورش شود و در نتیجه، بازار کارایی کافی نداشته باشد. در این راستا، تشخیص و پیش‌بینی این واکنش‌ها می‌تواند به سرمایه‌گذاران کمک کند تا تصمیم‌های منطقی‌تری درباره خرید یا فروش سهم‌ها و سایر اوراق بهادار بگیرند. بنابراین، پیش‌بینی و تشخیص تداوم روند بیش‌واکنشی سهام‌داران، می‌تواند برای سرمایه‌گذاران، تحلیلگران مالی و مدیران سرمایه‌گذاری ابزار ارزشمندی باشد تا مبتنی بر شهود و تحلیل دقیق‌تری، تصمیم‌گیری کنند. برای ایجاد یک مدل پیش‌بینی مؤثر، می‌توان از روش‌های مختلفی مانند تحلیل رگرسیونی برای تحلیل ارتباط بین متغیرهای مختلف و تداوم روند بیش‌واکنشی سهام‌داران استفاده کرد. همچنین، شبکه‌های عصبی مصنوعی، به‌عنوان روشی پیشرفته، می‌توانند برای مدل‌سازی پیچیدگی‌های غیرخطی و ارتباطات پیچیده‌تر میان متغیرها استفاده شوند. این موضوع با پیش‌بینی رفتار سهام‌داران و تصمیم‌گیری‌های سرمایه‌گذاری ارتباط مستقیمی دارد و می‌تواند به بهبود استراتژی‌های سرمایه‌گذاری و مدیریت ریسک کمک کند. با توجه به آنچه بیان شد، هدف اصلی این پژوهش تجزیه‌وتحلیل مقایسه‌ای شبکۀ عصبی مصنوعی و رگرسیون خطی، در پیش‌بینی تداوم روند بیش‌واکنشی سهام‌داران است.روش: پژوهش حاضر از نوع توصیفی ـ علّی و طرح آن، از نوع تجربی است که با استفاده از رویکرد پس‌رویدادی اجرا شده است. به‌منظور آزمون فرضیه‌های پژوهش، از رگرسیون خطی چند متغیره استفاده شد که بر داده‌های پانل و ترکیبی از سری‌های زمانی مبتنی بود. برای جمع‌آوری اطلاعات، از روش کتابخانه‌ای استفاده شد. اطلاعات و داده‌های مورد نیاز، از طریق مطالعه صورت‌های مالی شرکت‌های موجود در جامعه آماری گردآوری شد. جامعه آماری پژوهش، کلیۀ شرکت‌های پذیرفته شده در بورس اوراق بهادار تهران، بین بازه زمانی ۱۳۹۰ تا ۱۴۰۰ بود که با استفاده از روش نمونه‌گیری حذف سیستماتیک، ۱۱۰ شرکت انتخاب شد. در تجزیه‌وتحلیل داده‌ها با استفاده از روش رگرسیون، روابط بین متغیرها بررسی شد و نتایج به‌دست‌آمده از شبکۀ عصبی مصنوعی مقایسه شدند.یافته‌ها: نتایج برتری مدل شبکۀ عصبی مصنوعی را از لحاظ میزان ضریب تعیین و شاخص MSE نشان می‌دهد؛ به‌طوری که بالاترین میزان ضریب تعیین برای شبکۀ عصبی مصنوعی (1 لایه پنهان و 9 نرون) برای داده‌های آزمون 3880/0 و برای مدل رگرسیون خطی برابر با 349/0 به‌دست آمد. همچنین نتایج نشان داد که میزان MSE برای شبکۀ عصبی مصنوعی (1 لایه پنهان و 9 نرون) برای داده‌های آزمون 003266/0 و برای مدل رگرسیون خطی برابر با 004/0 است. بدین ترتیب میزان شاخص MSE نیز به‌مانند ضریب تعیین، برای حالت شبکۀ عصبی مصنوعی بهتر است.نتیجه‌گیری: مدل شبکۀ عصبی قادر است که الگوهای پیچیده و غیرخطی را کشف کند و بهترین پیش‌بینی را ارائه دهد. با استفاده از این مدل، می‌توان به‌صورت دقیق‌تر و قابل اعتماد‌تری روند بازده سهام را پیش‌بینی کرد.