توانايي الگوريتم‌هاي يادگيري ماشين و شبكه‌هاي عصبي مصنوعي در پيش‌بيني محتواي اطلاعاتي سود حسابداري قبل از اعلان آن

هدف: هدف از پژوهش حاضر بررسي توانايي شبكه‌هاي عصبي مصنوعي و الگوريتم‌هاي يادگيري ماشين شامل ماشين بردار پشتيبان و جنگل تصادفي در پيش‌بيني محتواي اطلاعاتي سود حسابداري قبل از اعلان آن در شركت‌هاي پذيرفته شده در بورس اوراق بهادار تهران در بازه زماني سال‌هاي 1394الي 1399مي‌باشد.روش‌شناسي پژوهش: براي جمع‌آوري داده‌هاي روزانه موردنياز پژوهش از نرم‌افزار ره‌آورد نوين استفاده شده است و با استفاده از روش نمونه‌گيري حذفي سيستماتيك 88 شركت انتخاب شدند. از نرم‌افزار متلب به‌منظور مدل‌سازي شبكه‌هاي عصبي و الگوريتم‌هاي يادگيري ماشين استفاده شده است و به‌منظور محاسبه بازده غيرعادي در شبكه‌هاي عصبي و الگوريتم‌هاي يادگيري ماشين از كد نوشته شده در نرم‌افزار پايتون استفاده شده است. محتواي اطلاعاتي سود از طريق آزمون ارتباط بين سود و بازده غيرعادي و بر اساس مدل پورتي و همكاران (Poretti et al.، 2018) سنجيده شده است. متغيرهاي ورودي شبكه‌هاي عصبي و الگوريتم‌هاي يادگيري ماشين انديكاتورها تحليل تكنيكال مي‌باشند. به‌منظور ارزيابي عملكرد طبقه‌بندي، از معيارهاي صحت، دقت، فراخواني و اندازه F استفاده شده است.يافته‌ها: نتايج حاصل از پيش‌بيني سه مدل شبكه‌هاي عصبي مصنوعي، ماشين بردار پشتيبان و جنگل تصادفي نشان داد كه ماشين بردار پشتيبان و جنگل تصادفي از دقت بالاتري نسبت به شبكه‌هاي عصبي مصنوعي، در پيش‌بيني استراتژي خريد، فروش و نگهداري برخوردار بوده‌اند و تنها ماشين بردار پشتيبان از سه مدل مذكور توان پيش‌بيني محتواي اطلاعاتي سود را داشته است.اصالت / ارزش‌افزوده علمي: طراحي مدل پيش‌بيني جهت حركت قيمت سهام در روز آتي معاملاتي، با سه روش شبكه‌هاي عصبي مصنوعي، ماشين بردار پشتيبان و جنگل تصادفي به‌عنوان اصلي‌ترين نوآوري پژوهش مي‌باشد و همچنين يافته‌هاي پژوهش مي‌تواند سرعت انتقال اطلاعات به بازار و جذب آن را افزايش دهد كه اين عامل منجر به كاهش اثر عدم تقارن اطلاعاتي و معاملات مبتني بر اطلاعات نهاني و در نهايت افزايش كارايي بازار خواهد شد.