پيش بيني خطر سقوط قيمت سهام با استفاده از الگوريتم ژنتيك و مقايسه با رگرسيون لوجستيك، با تاكيد بر نگرش انتخاب ويژگي

Stock Price Crash Risk of TSE Listed Companies Using the Genetic Algorithm, Comparing with Logistic Regression

ريسك سقوط قيمت سهام، شاخصي براي اندازه گيري عدم تقارن در ريسك محسوب مي شود و از اهميت فراواني در تحليل پرتفوي و قيمت گذاري دارايي هاي سرمايه اي برخوردار است. با توجه به اهميت ريسك سقوط، پژوهش هاي متعددي به بررسي عوامل موثر بر آن پرداخته اند كه در تمام آنها از روش هاي سنتي به منظور پيش بيني استفاده شده است در حالي كه در سال هاي اخير روش هاي نوين فراابتكاري در ساير مباحث مالي به طور گسترده اي مورد استفاده قرار گرفته است و نتايج بهتري داشته اند. هدف اين پژوهش، مدل بندي پيش بيني خطر سقوط قيمت سهام شركت هاي پذيرفته شده در بورس اوراق بهادار تهران، با استفاده از الگوريتم ژنتيك و مقايسه نتايج با رگرسيون لجستيك مي باشد. بدين منظور يك فرضيه براي بررسي اين موضوع تدوين و داده هاي مربوط به 107 شركت عضو بورس اوراق بهادار تهران براي دوره زماني بين سال هاي 1389تا 1395 مورد تجزيه و تحليل قرار گرفت. ابتدا 14 متغير مستقل به عنوان ورودي الگوريتم تركيبي ژنتيك و شبكه عصبي مصنوعي كه به عنوان يك روش انتخاب ويژگي در نظر گرفته شده است، وارد مدل گرديد و 7 متغير بهينه انتخاب شد سپس با استفاده از الگوريتم ژنتيك و رگرسيون لجستيك اقدام به پيش بيني خطر سقوط قيمت سهام گرديد. براي محاسبه خطر سقوط قيمت سهام از معيار دوره خطر استفاده شده است. نتايج اين پژوهش نشان مي دهدكه مدل مبتني بر الگوريتم ژنتيك نسبت به رگرسيون لجستيك، براي پيش بيني خطر سقوط قيمت سهام توانايي بيشتري دارد. بنابراين فرضيه پژوهش تاييد مي شود.

The stock price crash risk is an indicator for measuring risk asymmetry and is of great importance in analyzing portfolios and pricing asset holdings. Considering the importance of the risk of collapse، several studies have examined the effective factors on it، all of which use traditional methods of forecasting، while in recent years، new methods of hypermetricity have been widely used in other financial issues. It has been used and has had better results. The purpose of this research is to model the stock price crash risk of listed companies in Tehran Stock Exchange using the genetic algorithm and compare the results with logistic regression. For this purpose، a hypothesis was developed for the study of this issue and the data of 107 Tehran Stock Exchange listed companies for the period of 2010-2010 were analyzed. First، 14 independent variables were introduced as inputs of the combined genetic algorithm and artificial neural network، which was considered as a feature selection method، and 7 optimal variables were selected. Then، using genetic algorithm and logistic regression، predicted risk Stock price collapse. The risk of falling stock prices has been used to measure the risk period. The results of this study indicate that a genetic algorithm based model is more capable of predicting the stock price crash risk than logistic regression. Therefore، the research hypothesis is confirmed.