پیوندهای مفید
آمار
| تعداد نشریات | 21 |
| تعداد شماره‌ها | 660 |
| تعداد مقالات | 9,659 |
| تعداد مشاهده مقاله | 68,746,399 |
| تعداد دریافت فایل اصل مقاله | 48,253,384 |
محاسبه احتمال سقوط سهام با استفاده از شبکه های عصبی پیچیده و بررسی رابطه بین احتمال سقوط سهام و بازده انتظاری سهام در بازار سرمایه ایران(1400-1386) | ||
| مدلسازی اقتصادسنجی | ||
| دوره 9، شماره 1 - شماره پیاپی 33، فروردین 1403، صفحه 9-32 اصل مقاله (932.12 K) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22075/jem.2023.30851.1844 | ||
| نویسندگان | ||
| نجیبه نجفی کنگرلوئی1؛ فرخنده جبل عاملی* 2؛ محسن مهرآرا3 | ||
| 1دانشجوی دکتری اقتصاد، دانشکده اقتصاد، دانشگاه تهران | ||
| 2دانشیار، دانشکده اقتصاد، دانشگاه تهران | ||
| 3استاد اقتصاد دانشگاه تهران | ||
| تاریخ دریافت: 24 خرداد 1402، تاریخ بازنگری: 05 آذر 1402، تاریخ پذیرش: 08 آذر 1402 | ||
| چکیده | ||
| یکی از مخرب ترین نوسانات بازار سهام، سقوط قیمت سهام می باشد، محاسبه دقیق احتمال سقوط قیمت سهام می تواند کمک شایانی به سرمایه گذاران بازار سهام جهت انتخاب پرتفوی مناسب سرمایه گذاری نماید. در این مقاله تکنیک شبکه های عصبی پیچیده یک بعدی جهت پیش بینی احتمال سقوط سهام و مدل فاما و فرنچ سه عاملی و قیمت گذاری دارایی سرمایه ای جهت محاسبه بازده سهام مورد استفاده قرار گرفته است. نمونه مورد استفاده در تحقیق شامل 80 شرکت بورسی صادرات محور و واردات محور ایرانی در بازه زمانی1400-1386 می باشد. طبق نتایج بدست آمده شبکه های عصبی پیچیده با دقت بالایی احتمال سقوط سهام را پیش بینی می نمایند و نیز طبق نتایج پژوهش بین احتمال سقوط سهام و بازده انتظاری آن رابطه معکوس وجود دارد که نتیجه مذکور بیانگر آن است که با محاسبه احتمال سقوط سهام می توان تقاضای آتی برای آن و لذا قیمت آتی آن را پیش بینی کرد .محاسبه احتمال سقوط قیمت سهام با استفاده از شبکه های عصبی پیچیده روش جدیدی در بدست آوردن پرتفولیو های با احتمال سقوط کمتر می باشد. | ||
| کلیدواژه‌ها | ||
| سقوط قیمت سهام؛ شبکه های عصبی پیچیده؛ بازده انتظاری؛ مدیریت پرتفولیو | ||
| عنوان مقاله [English] | ||
| Calculating the stock crash probability using complex neural networks and investigating the relationship between the stock crash probability and the expected stock return in the Iranian capital market (2007-2022) | ||
| نویسندگان [English] | ||
| Najibeh Najafi Kangarlui1؛ Farkhondeh Jebel Ameli2؛ Mohsen Mehrara3 | ||
| 1PhD Student, Faculty of Economics, Department of Economics. University of Tehran | ||
| 2Associate professor, Faculty of Economics, University of Tehran | ||
| 3Professor, Faculty of Economics, Department of Economics, University of Tehran | ||
| چکیده [English] | ||
| One of the most destructive fluctuations in the stock market is the crash in stock prices. The accurate calculation of the probability of the stock price crash can greatly help investors choose the right investment portfolio. In this article, the one-dimensional convolutional neural network technique is used to calculate the probability of the stock price crash, and the three-factor Fama and French model and Capital asset pricing model are used to calculate stock returns.The sample used in this paper includes 80 import- and export-oriented exchange companies in the period 2008-2021 According to the obtained results, convolutional neural networks predict the probability of the stock crash with high accuracy, and there is an inverse relationship between the probability of the stock price crash and its expected return, which means that by calculating the probability of a stock price crash, it is possible to predict the future demand for it and the direction of its future price. Calculating the probability of stock price crashes, using convolutional neural networks is a new method for calculating the risk of stock price crash and can help us measure portfolio risk. | ||
| کلیدواژه‌ها [English] | ||
| Crash risk, Convolutional neural network, Expected return, Portfolio | ||
| مراجع | ||
|
Agnes Cheng, C. S., Li, S., & Zhang, E. X. (2020). Operating cash flow opacity and stock price crash risk. Journal of Accounting and Public Policy, 39(3), 106717.
Ahmad Pour, A., Heydari Rostami, K., & Zare Bahnamiri, M. J. (2015). Investigating the Effect of Companies’ Characteristics on Share Price Crash Risk (Companies listed in Tehran Stock Exchange). Journal of Securities Exchange, 7(28), 29-45.
Alexander, B., & Xuewen, L. (2007). Market Transparency and the Accounting Regime. Journal of Accounting Research, 45(2), 229-256.
Bai, M., Wang, R., Yu, C.-F., & Zheng, J. (2019). Limits on executive pay and stock price crash risk: Evidence from a quasi-natural experiment. Pacific-Basin Finance Journal, 55, 206-221.
Benmelech, E., Kandel, E., & Veronesi, P. (2010). Stock-Based Compensation and CEO (Dis)Incentives*. The Quarterly Journal of Economics, 125(4), 1769-1820.
Callen, J. L., & Fang, X. (2015). Short interest and stock price crash risk. Journal of Banking & Finance, 60, 181-194.
Canbaloglu, B., Alp, O. S., & Gurgun, G. (2022). Debt Maturity Structure and Stock Price Crash Risk: The Case of Turkey. Borsa Istanbul
Cavalli, S., & Amoretti, M. (2021). CNN-based multivariate data analysis for bitcoin trend prediction. Applied Soft Computing, 101, 107065.
Chauhan, Y., Kumar, S., & Pathak, R. (2017). Stock liquidity and stock prices crash-risk: Evidence from India. The North American Journal of Economics and Finance, 41, 70-81.
Dariosh, F., & Amin, S. (2019). The Effect Of Managerial Ability On Stock Price Crash Risk. THE FINANCIAL ACCOUNTING AND AUDITING RESEARCHES, 10, 68-47.
Drobetz, W., Mussbach, E., & Westheide, C. (2020). Corporate insider trading and return skewness. Journal of Corporate Finance, 60, 101485
Duan, J., & Lin, J. (2022). Information disclosure of COVID-19 specific medicine and stock price crash risk in China. Finance Research Letters, 48, 102890.
FAMA, E. F., & FRENCH, K. R. (1996). Multifactor Explanations of Asset Pricing Anomalies. Journal of Finance 51(1), 55-84.
Fang, Y., Niu, H., & Tong, X. (2022). Crash probability anomaly in the Chinese stock market. Finance Research Letters, 44, 102062.
Ghimire, S., Bhandari, B., Casillas-Pérez, D., Deo, R. C., & Salcedo-Sanz, S. (2022). Hybrid deep CNN-SVR algorithm for solar radiation prediction problems in Queensland, Australia. Engineering Applications of Artificial Intelligence, 112, 104860.
Hutton, A. P., Marcus, A. J., & Tehranian, H. (2009). Opaque financial reports, R2, and crash risk. Journal of Financial Economics, 94(1), 67-86.
Jang, J., & Kang, J. (2019). Probability of price crashes, rational speculative bubbles, and the cross-section of stock returns. Journal of Financial Economics, 132(1), 222-247.
Jin, J., Liu, Y., Zhang, Z., & Zhao, R. (2022). Voluntary disclosure of pandemic exposure and stock price crash risk. Finance Research Letters, 47, 102799.
Jin, L., & Myers, S. C. (2006). R2 around the world: New theory and new tests. Journal of Financial Economics, 79(2), 257-292.
Khan, M., & Watts, R. L. (2009). Estimation and empirical properties of a firm-year measure of accounting conservatism. Journal of Accounting and Economics, 48(2), 132-150.
Kim, J.-B., Li, Y., & Zhang, L. (2011). CFOs versus CEOs: Equity incentives and crashes. Journal of Financial Economics, 101(3), 713-730.
Liu, Z., Huynh, T. L. D., & Dai, P.-F. (2021). The impact of COVID-19 on the stock market crash risk in China. Research in International Business and Finance, 57, 101419.
Mohamad Alizadeh, A., Raei, R., & Mohammadi, S. (2015). Prediction of stock market crash using self-organizing maps. Financial Research Journal, 17(1), 159-178.
Nikoumaram, H., & Badavar Nahandi, Y. (2009). Explaining and developing a model for determination and evaluation of factors that affect financial reporting quality choice in Iran. The Journal of Productivity Management, 1(3), 141-187.
Sezgin Alp, O., Canbaloglu, B., & Gurgun, G. (2022). Stock liquidity, stock price crash risk, and foreign ownership. Borsa Istanbul Review, 22(3), 477-486.
Shamsuddin, A. F. M., & Hillier, J. R. (2004). Fundamental determinants of the Australian price–earnings multiple. Pacific-Basin Finance Journal, 12(5), 565-576.
Wang, M., Han, M., & Huang, W. (2020). Debt and stock price crash risk in weak information environment. Finance Research Letters, 33, 101186. | ||
|
آمار تعداد مشاهده مقاله: 454 تعداد دریافت فایل اصل مقاله: 243 |
||