پايش قيمت سهام با استفاده از مدل هاي تحليل مميزي خطي، تحليل مميزي درجه دوم و الگوريتم ژنتيك بر مبناي شبكه عصبي مصنوعي در بورس اوراق بهادار تهران

LDF, QDF & ANN-GA based models for stock market surveillance in Tehranʹʹs Stock Exchange

در اين مقاله از مدل تحليل مميزي ) DA ) 1 و مدل هيبريدي الگوريتم ژنتيك بر مبناي شبكه عصبي مصنوعي ( ANN-GA ) 2 براي تخمين دستكاري قيمت سهام در بورس اوراق بهادار تهران استفاده شده است. در اين پژوهش، ابتدا با استفاده از روش غربالگري، نمونه اي به حجم 543 شركت پذيرفته شده در بورس اوراق بهادار تهران انتخاب و اطلاعات مربوط به شاخص هاي قيمت و بازده نقدي ) TEDPIX (، قيمت پاياني، نوسان قيمت پاياني و حجم معاملات در بازه زماني سال هاي 1531 تا 1531 گردآوري گرديد. سپس با به كارگيري آزمون وابستگي ديرش 5 ، آزمون ضرايب كشيدگي و چولگي 4 و آزمون سلسله 3 و با استفاده از متغير قيمت و بازده نقدي، شركت هاي منتخب به دودسته دستكاري قيمت شده و دستكاري قيمت نشده تقسيم شدند. سپس با بررسي نمودار روند تغييرات شاخص قيمت و بازده نقدي و حجم معاملات در مورد شركت هاي دستكاري قيمت شده، تاريخ شروع دستكاري قيمت تعيين گرديد. در گام بعدي، با استفاده از تابع تحليل مميزي خطي ) LDF ) 6 و تابع تحليل مميزي درجه دوم ( QDF ) 1 و همچنين الگوريتم ژنتيك بر مبناي شبكه عصبي مصنوعي و با استفاده از متغيرهاي قيمت پاياني، نوسان قيمت پاياني و حجم معاملات و با به كارگيري اطلاعات يك سال قبل از شروع دستكاري قيمت سهام براي شركت هاي دستكاري قيمت شده و اطلاعات چهارساله براي شركت هاي دستكاري قيمت نشده، مدل هايي براي پيش بيني دستكاري قيمت سهام طراحي گرديد. در پايان توانايي پيش بيني مدل ها موردبررسي قرار گرفت. با توجه به نتايج به دست آمده، توانايي پيش بيني مدل تحليل مميزي درجه دوم نسبت به مدل تحليل مميزي خطي و مدل الگوريتم ژنتيك بر مبناي شبكه عصبي مصنوعي بهتر هست.

In this study, Discriminant Analysis (DA) model and the hybrid model of Genetic Algorithm based on Artificial Neural Network (ANN-GA) are used to estimate manipulation of stock prices in Tehran Stock Exchange. In this study, first by using screening data method, a sample of 345 companies listed in Tehran Stock Exchange were selected and then information about the ʹTEDPIXʹ index, closing price, volatility of closing price and trading volume in the timeframe years 1387 to 1391 were collected. Afterwards the selected companies categorized into manipulated and non-manipulated groups by using duration dependence test, skewness & kurtosis test and run test. Then with scrutiny of the trend of Tedpixʹs chart and volume chart of the manipulated group, Start of price manipulation is determined. In next step by using Linear Discriminant Function (LDF), Quadratic Discriminant Function (QDF) and Genetic Algorithm based Artificial Neural Network and by using closing price, volatility of closing price and trading volume variables and also using information in range one year before starting manipulation group and in range four years for non-manipulation group, designed models for forecasting manipulation. At the end, the prediction ability of the models was examined. According to the results, the prediction ability of QDF model compared to the LDF model and ANN model is better.