طراحي و تبيين مدل برآورد ريسك سيستماتيك به روش فوق ابتكاري در بورس اوراق بهادار تهران؛ رويكرد تطبيقي مدل اقتصاد سنجي و هوش مصنوعي

Designing and Explaining the Systematic Risk Estimation Model using metaheuristic Method in Tehran Stock Exchange: Adaptive Approach to the Model of Econometrics and Artificial Intelligence

ريسك سيستماتيك همواره يكي از مهمترين شاخص هايي است كه سرمايه گذاران و تحليل گران مالي در تصميم‌گيري هاي مالي خود اهميت ويژه اي براي آن قائل هستند .هدف اين پژوهش ارائه مدلي جديد و مبتني بر متغير هاي حسابداري براي برآورد شاخص ريسك سيستماتيك يا همان بتا است به روش اقتصاد سنجي نوين آرفيما- فيگارچ كه حافظه بلند مدت ريسك سيستماتيك را ارزيابي مي‌كند. دوره زماني اين پژوهش سال هاي 1385 تا 1394 است جامعه آماري پژوهش شركت هاي پذيرفته شده در بورس اوراق بهادار تهران بوده و با استفاده از فرمول كوكران تعداد 174 شركت به عنوان نمونه پژوهش انتخاب گرديد . به همين منظور ابتدا بتاي ريسك سيستماتيك از طريق آرفيما – فيگارچ محاسبه شد و سپس مدل هاي برآورد شده به روش اقتصاد سنجي رگرسيون گام به گام (انتخاب پيشرو ) و روش هوش مصنوعي ( از طريق تركيب الگوريتم هاي ژنتيك و پرواز پرندگان در انتخاب عوامل موثر و مدلسازي آن از طريق تركيب و پياده سازي الگوريتم ارزياب سرمايهگذاري دادههاي پوياي تكاملي بر روي الگوريتم هاي مذكور) مقايسه گرديد. به منظور تجزيه و تحليل داده ها از سه نرم افزار اُكس متريكس ، ايويوز و متلب استفاده گرديد . دقت پيش بيني دو مدل مبتني بر اقتصاد سنجي و هوش مصنوعي از طريق محاسبه ضريب همبستگي بين تاهاي برآورد شده و بتاي آرفيا – فيگارچ انجام شده كه مدل مبتني بر هوش مصنوعي با ضريب همبستگي 94 درصد دقت پيش بيني به مراتب بالاتري را از خود نشان داد

Systematic risk is always one of the most important indicators that investors and financial analysts attach importance in their financial decision making. The purpose of this research is to provide a new model based on accounting variables for estimating the systematic risk index (β). The period of study is from 2006 to 2015. The statistical population of the research is the companies accepted in Tehran Stock Exchange. Using the Cochran formula, 174 companies are selected as the research sample. For this purpose, systematic risk beta is first calculated through ARFIMA-FIGARCH, and then, estimated models are compared using stepwise regression econometrics (forward selection) and artificial intelligence (through combination of genetic algorithms and flying birds algorithms in selecting effective factors and its modeling by combining and implementing an evolutionary dynamic data estimator algorithm on the above algorithms). In order to analyze the data, three software of Oxmetrics, Eviews, and MATLAB are used. The prediction accuracy of two models based on econometrics and artificial intelligence is evaluated by calculating the correlation coefficient between estimated betas and beta of ARFIMA-FIGARCH. The AI-based model with a correlation coefficient of 94 percent shows a higher predictive accuracy.