شناسايي و رتبه‌بندي عوامل پيش‌بيني‌كننده حباب قيمتي سهام: كاربرد رگرسيون لوجستيك و شبكه مصنوعي عصبي

Identifying and ranking predictors of stock bubble: Application of Logistic regression and artificial neural network

هدف اين تحقيق، شناسايي و رتبه بندي عوامل پيش‌بيني كننده تشكيل حباب قيمتي سهام در بورس اوراق بهادار تهران است. بدين منظور ابتدا از طريق آزمون هاي كشيدگي، تسلسل و چولگي وضعيت حبابي بودن قيمت 158 سهم طي دوره‌ي زماني 1389 تا 1392 مشخص شد. سپس بر اساس ادبيات پژوهشي، براي پيش بيني حباب از متغيرهاي شفافيت اطلاعات، اهرم مالي، نقدشوندگي، نسبت ارزش دفتري به ارزش بازار سهام، p/e، شناوري سهم، مالكيت نهادي و اندازه شركت استفاده شد. سپس با استفاده از روش رگرسيون لاجستيك تاثير اين متغيرها بر حباب قيمت تاييد شد. نتايج تحقيق نشان داد كه افزايش در متغيرهاي شفافيت، شناوري سهم، نسبت ارزش دفتري به ارزش بازاري، نقدشوندگي سهام، مالكيت نهادي و اندازه شركت باعث كاهش احتمال حبابي شدن قيمت سهم مي‌شود. پس از آموزش شبكه عصبي با استفاده از داده هاي درون نمونه، شبكه با اطلاعات برون نمونه‌اي بهينه شد. در نهايت با استفاده از تحليل حساسيت متغيرهاي مستقل از طريق شبكه عصبي، اين متغيرها بر اساس ميزان توانايي پيش بيني حبابي شدن قيمت سهم رتبه بندي شدند.

The aim of this study is to identify and ranking the factors predicting stock price bubble in the Tehran Stock Exchange. For this purpose, at first through skewness, Kurtosis and runs tests on price of 158 stock symbol bubble status during the period from 1389 to 1392 were identified. According to research literature, affecting factor including information transparency, leverage, liquidity, ratio of book value to market value, p/e, liquidity, institutional ownership and firm size were used. Then, using logistic regression effect of this variable on price bubble was confirmed. Results show that the increase in transparency variables, B/M, liquidity, institutional ownership and firm size reduces the probability of forming bubble in share prices. After training artificial neural network, using the sample data the network were optimized by out of the sample data. Finally, using sensitivity analysis through neural network, these variables based on the ability to predict the share price bubble were ranked.