هدف کلی این پژوهش ایجاد ابزار پیش‌بینی مناسب جهت قیمت‌گذاری عرضه‌های عمومی اولیه بوسیله شبکه‌های عصبی و الگوریتم ژنتیک است. چارچوب نظری این مطالعه بر اساس نظریه عدم تقارن اطلاعاتی می‌باشد. اگرچه ادبیات قیمت‌گذاری عرضه‌های عمومی اولیه، گستره‌ی وسیعی از علایم ممکن را معرفی می‌کند، تعداد کمی از این علایم، تأثیر بااهمیتی بر کارایی پیش‌بینی دارند. نتایج پژوهش نشان می‌دهد ترکیب شبکه‌های عصبی با الگوریتم ژنتیک به منظور انتخاب متغیرهای بهینه، قدرت پیش‌بینی را به طور محسوسی افزایش می‌دهد.
Pricing Initial Public Offerings: combining Artificial Neural Networks and Genetic Algorithm
نویسندگان [English]
mohamad arab mazar؛ Mahsa Ghasemi
چکیده [English]
The article set out to create useful predicting tool for pricing initial public offerings through combining neural networks and genetic algorithm. The theoretical framework of this study is information asymmetry theory. Although the literature of pricing initial public offerings introduces variety of possible signals, a few of them have considerable effect on efficiency of predicting. The results show that combining neural networks and genetic algorithm in order to selecting the best variables improves considerably the forecasting power.
کلیدواژه ها [English]
Artificial Neural Networks, genetic algorithm, Initial public offerings, Pricing
ابتدای صفحه