تجزیه‌وتحلیل مقایسه‌ای شبکۀ عصبی مصنوعی و رگرسیون خطی در پیش‌بینی تداوم روند بیش‌واکنشی سهام‌داران

نوع مقاله : مقاله علمی پژوهشی

نویسندگان

1 دانشجوی دکتری، گروه حسابداری، دانشکده علوم انسانی، واحد زاهدان، دانشگاه آزاداسلامی، زاهدان، ایران.

2 استادیار، گروه حسابداری، دانشکده علوم انسانی، واحد زاهدان، دانشگاه آزاد اسلامی، زاهدان، ایران.

3 استادیار، گروه مالی و حسابداری، دانشکده علوم انسانی، دانشگاه میبد، میبد، ایران.

10.22059/acctgrev.2024.373333.1008920

چکیده

هدف: بیش‌واکنشی یکی از ناهنجاری‌های قابل مشاهده در بازار است که پیامدهای متعددی از جمله ناکارایی بازار را به‌دنبال دارد. بر این اساس، یکی از موضوعاتی که در اکثر بورس‌های معتبر دنیا بررسی می‌شود، بیش‌واکنشی سهام‌داران است. بیش‌واکنشی سرمایه‌گذاران به‌عنوان یکی از استثنائات، بیشتر در بازارهای کمتر توسعه یافته و نوظهور مطرح است. شواهد زیادی وجودی دارد که سرمایه‌گذاران به رویدادهای مالی، بیش از حد لازم واکنش نشان میدهند. در واقع بیش‌واکنشی به‌عنوان یک پدیدۀ رفتاری، باعث می‌شود تا تصمیم‌گیری سرمایه‌گذاران در شرایط‌عدم اطمینان، دچار تورش شود و در نتیجه، بازار کارایی کافی نداشته باشد. در این راستا، تشخیص و پیش‌بینی این واکنش‌ها می‌تواند به سرمایه‌گذاران کمک کند تا تصمیم‌های منطقی‌تری درباره خرید یا فروش سهم‌ها و سایر اوراق بهادار بگیرند. بنابراین، پیش‌بینی و تشخیص تداوم روند بیش‌واکنشی سهام‌داران، می‌تواند برای سرمایه‌گذاران، تحلیلگران مالی و مدیران سرمایه‌گذاری ابزار ارزشمندی باشد تا مبتنی بر شهود و تحلیل دقیق‌تری، تصمیم‌گیری کنند. برای ایجاد یک مدل پیش‌بینی مؤثر، می‌توان از روش‌های مختلفی مانند تحلیل رگرسیونی برای تحلیل ارتباط بین متغیرهای مختلف و تداوم روند بیش‌واکنشی سهام‌داران استفاده کرد. همچنین، شبکه‌های عصبی مصنوعی، به‌عنوان روشی پیشرفته، می‌توانند برای مدل‌سازی پیچیدگی‌های غیرخطی و ارتباطات پیچیده‌تر میان متغیرها استفاده شوند. این موضوع با پیش‌بینی رفتار سهام‌داران و تصمیم‌گیری‌های سرمایه‌گذاری ارتباط مستقیمی دارد و می‌تواند به بهبود استراتژی‌های سرمایه‌گذاری و مدیریت ریسک کمک کند. با توجه به آنچه بیان شد، هدف اصلی این پژوهش تجزیه‌وتحلیل مقایسه‌ای شبکۀ عصبی مصنوعی و رگرسیون خطی، در پیش‌بینی تداوم روند بیش‌واکنشی سهام‌داران است.
روش: پژوهش حاضر از نوع توصیفی ـ علّی و طرح آن، از نوع تجربی است که با استفاده از رویکرد پس‌رویدادی اجرا شده است. به‌منظور آزمون فرضیه‌های پژوهش، از رگرسیون خطی چند متغیره استفاده شد که بر داده‌های پانل و ترکیبی از سری‌های زمانی مبتنی بود. برای جمع‌آوری اطلاعات، از روش کتابخانه‌ای استفاده شد. اطلاعات و داده‌های مورد نیاز، از طریق مطالعه صورت‌های مالی شرکت‌های موجود در جامعه آماری گردآوری شد. جامعه آماری پژوهش، کلیۀ شرکت‌های پذیرفته شده در بورس اوراق بهادار تهران، بین بازه زمانی ۱۳۹۰ تا ۱۴۰۰ بود که با استفاده از روش نمونه‌گیری حذف سیستماتیک، ۱۱۰ شرکت انتخاب شد. در تجزیه‌وتحلیل داده‌ها با استفاده از روش رگرسیون، روابط بین متغیرها بررسی شد و نتایج به‌دست‌آمده از شبکۀ عصبی مصنوعی مقایسه شدند.
یافته‌ها: نتایج برتری مدل شبکۀ عصبی مصنوعی را از لحاظ میزان ضریب تعیین و شاخص MSE نشان می‌دهد؛ به‌طوری که بالاترین میزان ضریب تعیین برای شبکۀ عصبی مصنوعی (1 لایه پنهان و 9 نرون) برای داده‌های آزمون 3880/0 و برای مدل رگرسیون خطی برابر با 349/0 به‌دست آمد. همچنین نتایج نشان داد که میزان MSE برای شبکۀ عصبی مصنوعی (1 لایه پنهان و 9 نرون) برای داده‌های آزمون 003266/0 و برای مدل رگرسیون خطی برابر با 004/0 است. بدین ترتیب میزان شاخص MSE نیز به‌مانند ضریب تعیین، برای حالت شبکۀ عصبی مصنوعی بهتر است.
نتیجه‌گیری: مدل شبکۀ عصبی قادر است که الگوهای پیچیده و غیرخطی را کشف کند و بهترین پیش‌بینی را ارائه دهد. با استفاده از این مدل، می‌توان به‌صورت دقیق‌تر و قابل اعتماد‌تری روند بازده سهام را پیش‌بینی کرد.

کلیدواژه‌ها

موضوعات

عنوان مقاله [English]

Comparative Analysis of Artificial Neural Networks and Linear Regression in Predicting the Continuation of Shareholders' Overreaction Trends

نویسندگان [English]

  • Milad Shojaei Nasir Abadi 1
  • Habib Piri 2
  • Reza Sotudeh 3
1 PhD Student, Department of Accounting, Faculty of Humanities, Zahedan Branch, Islamic Azad University, Zahedan, Iran.
2 Assistant Prof., Department of Accounting, Zahedan Branch, Islamic Azad University, Zahedan, Iran.
3 ssistant Prof., Department of Financial and Accounting, Faculty of Humanities, Meybod University, Meybod, Iran.
چکیده [English]

Objective
Overreaction is a noticeable anomaly in financial markets that leads to various consequences, including market inefficiency. As such, one of the prominent topics investigated in major global stock exchanges is shareholders' overreaction. This phenomenon is particularly prevalent in emerging and less developed markets, where investors tend to overreact to financial events. Overreaction, as a behavioral bias, distorts investors' decision-making in uncertain conditions, pulling the market away from its efficient state. Predicting and identifying the persistence of these reactions can assist investors in making more rational decisions regarding the purchase or sale of shares and other securities. Therefore, predicting and identifying the continuation of shareholders' overreaction trends can serve as a valuable tool for investors, financial analysts, and investment managers to make decisions based on intuition and precise analysis. To create an effective predictive model, various methods, such as regression analysis, can be employed to analyze the relationship between different variables and the continuation of shareholders' overreaction trends. Additionally, artificial neural networks (ANNs), as an advanced method, can be used to model the non-linear complexities and intricate connections between variables. This topic is directly related to predicting shareholders' behavior and investment decision-making, ultimately helping improve investment strategies and risk management. Hence, the main objective of this research is to conduct a comparative analysis of artificial neural networks and linear regression in predicting the continuation of shareholders' overreaction trends.
Methods
The present study is descriptive-causal, utilizing ex post facto research. To test the research hypotheses, multivariate linear regression based on panel data and a combination of time series was employed. Data was collected using the library research method, and necessary information was gathered by studying the financial statements of companies within the statistical population. The statistical population includes all companies listed on the Tehran Stock Exchange between 2011 and 2021, with 110 companies selected through systematic elimination sampling. In data analysis, regression methods were used to examine the relationships between variables, and the results were compared with those obtained from artificial neural networks.
Results
The results indicate the superiority of the artificial neural network model in terms of the coefficient of determination and the MSE (Mean Squared Error) index. Specifically, the highest coefficient of determination for the artificial neural network (with 1 hidden layer and 9 neurons) for test data is 0.3880, compared to 0.349 for the linear regression model. Moreover, the results show that the MSE for the artificial neural network (1 hidden layer and 9 neurons) for test data is 0.003266, compared to 0.004 for the linear regression model. Thus, similar to the coefficient of determination, the MSE index is also better in the case of the artificial neural network.
Conclusion
The artificial neural network model is capable of uncovering complex and non-linear patterns, providing the most accurate predictions. By using this model, stock return trends can be predicted more precisely and reliably.

کلیدواژه‌ها [English]

  • Stock returns
  • Investment decisions
  • Artificial neural network

مراجع

استوان، سارا؛ صمیمی نیا، گلثوم و مبارکی، مهران (1400). تأثیر گرایش احساسی سرمایه‏گذاران بر ریسک سقوط قیمت سهام شرکت‏های پذیرفته شده در بورس اوراق بهادار تهران، سومین کنفرانس بین‌المللی مدیریت،‌ حسابداری، ‌بانکداری ‌و ‌اقتصاد‌در ‌افق ‌ایران ‌۱۴۰۴، ‌مشهد، https://civilica.com/doc/1443890
اصفهانی، ‌صابر (1398). ‌نقش متوقف‌کننده‏های ‌خودکار ‌بر ‌حرکت ‌در‌خلاف‌ جهت‌ بازار ‌با تأکید بر اثر تعاملی روند تغییرات میزان سهام شناور صنعت. پایان‌نامه کارشناسی ارشد، دانشگاه آزاد اراک.
جنت فریدونی، حمیدرضا و پورعلی، محمدرضا (1400). بررسی رابطه بین رفتار تجاری سرمایه‌گذار و ریسک سقوط قیمت سهام بر ریسک فردی. دومین کنفرانس بین‌المللی چالش‌ها و راه‌کارهای نوین در مهندسی صنایع و مدیریت و حسابداری.
حاجیان نژاد، امین؛ امیری، هادی؛ خرم کوهی، علی (1401). تحلیل تأثیر احساسات سرمایه‌گذاران بر واکنش به اخبار سود شرکت‌های پذیرفته ‌شده در بورس اوراق بهادار تهران. نشریه پژوهش‌های حسابداری مالی، 14(1)، 1-20.
حسن‌زاده دیوا، سید مصطفی؛ بزرگ اصل، موسی (1400). تأثیر سویه های رفتاری سرمایه‏گذاران بر ریسک سقوط آتی قیمت سهام با تأکید بر نقش کیفیت گزارشگری مالی. دانش حسابداری و حسابرسی مدیریت، 13(50)، 137- 151.
خرم آبادی، مهدی؛ عبدی، حدیث و لشگرآراء، سهیلا (1403). بررسی احساسات سرمایه‌گذاران و واکنش بازار سرمایه ایران نسبت به همه‌گیری ویروس کرونا (رویکرد رویدادپژوهی). پیشرفت‌های حسابداری، 16(1).
داوود آبادی، اعظم (1399). بررسی محتوای اطلاعاتی تداوم روند بیش‏واکنشی بر اساس حجم معاملات و نوسانات ویژه و تأثیر آن بر سودآوری مومنتوم در بازارهای با محدودیت قیمت. پایان‌نامه کارشناسی ارشد، دانشگاه آزاد اسلامی واحد اراک.
دهقان خاوری، سعید؛ میرجلیلی، سید حسین (1398). تعامل ریسک سیستماتیک با بازده سهام در بورس اوراق بهادار تهران. اقتصاد مالی، 13(49)، 257-282.‎
زارعی، علی؛ دارابی، رویا (1397). تأثیر گرایش‌های احساسی سرمایه‌گذاران بر افشای اختیاری در بازار سرمایه ایران. پژوهش‌های حسابداری مالی و حسابرسی (پژوهشنامه حسابداری مالی و حسابرسی)، 10(37)، 131-157.
سنگری، مجتبی؛ آقائی، محمد علی؛ عوض‌زاده فتح، فریبرز؛ پیرزاد، علی (1403). بررسی اثر فروواکنش و فراواکنش بر صرف ریسک بازار سرمایه ایران، دانش سرمایه‌گذاری، 13(52)، 711-726.
شمس، شهاب‌الدین؛ اسفندیاری مقدم، امیرتیمور (1397). ارتباط رفتار توده‌واری با عملکرد و ویژگی‌های شرکت‌های سرمایه‌گذاری. پژوهش‌های حسابداری مالی و حسابرسی (پژوهشنامه حسابداری مالی و حسابرسی)، 10(38)، 47-66.
طاهری نیا، مسعود (1402). فهم پدیده برجستگی اطلاعات: شناسایی و اولویت‌بندی پیامدهای آن در بازار بورس و اوراق بهادار. دانش حسابداری و حسابرسی مدیریت، 12(45)، 71-83.
طاهری نیا، مسعود؛ محمدی، مجید؛ بهرامیان، بهدین (1403). تحلیل اثر پدیده فلج تحلیلی در تصمیم‌های سرمایه‌گذاران در بورس اوراق بهادار تهران. بررسی‏‌های حسابداری و حسابرسی، 31(1)، 95-122.
عبدلی، قهرمان؛ حیدری، محمد (1400). بررسی واکنش نامتناسب سرمایه‌گذاران در بازار سهام ایران. راهبرد مدیریت مالی، 9(4)، 87-106.
فغفورمغربی، یگانه؛ سجادی، سیدحسین؛ اثنی عشری، حمیده؛ رضاییان، علی (1399). تبیین اثر میانجی درک، تسلط پردازش و برداشت سرمایه‌گذاران از اعتبار افشا بر رابطه بین احساس زبانی، خوانایی، خبرگی و قضاوت و تصمیم‌گیری سرمایه‌گذاران. بررسی‏‌های حسابداری و حسابرسی. 27(1)، 87-113.
کامیابی، یحیی؛ جوادی نیا، امیر (1400). بررسی اثر تعدیل‌کننده توانایی مدیریت بر رابطه بین احساسات سرمایه‌گذاران و محافظه‌کاری حسابداری. بررسی‏‌های حسابداری و حسابرسی، 28(1)، 102-134.
کردستانی، غلامرضا؛ تیموری، سیده طاهره (1397). تأثیر اطلاعات محرمانه بر خط و مشی سرمایه‌گذاری و سیاست تقسیم سود. راهبردهای مدیریت مالی، 2(5)، 27-53.
گل ارضی، غلامحسین؛ دانایی، کیمیا (1398). بررسی بیش‏واکنشی سهام‌داران و مقایسه آن در شرکت‌های کوچک و بزرگ در بورس اوراق بهادار تهران. نشریه چشم‌انداز مدیریت مالی، 25(5)، 59- 76.
مدن حقیقی، سمیه (1392). بررسی رابطه بین سهام شناور آزاد و دامنه نوسان قیمت: شواهدی از بورس تهران. اولین کنفرانس ملی حسابداری و مدیریت، شیراز.
 
References
Ananzeh, I., Jdaitawi, Q. & Al-Jayousi, A. (2013). Relationship between Market Volatility and Trading Volume: Evidence from Amman Stock Exchange. International Journal of Business and Social Science, 4(16), 188- 198.
Assan, A. & Thomas, T. (2013). Stock returns and trading volume: does the size matter? Investment Management and Financial Innovations, 1(3), 76-88.
Astvan, S., Samimi Nia, G. & Mubaraki, M. (2021). The effect of investors' emotional tendency on the risk of falling stock prices of companies listed on the Tehran Stock Exchange.  The Third International Conference on Management, Accounting, Banking and Economics in Iran 1404, Mashhad, https://civilica.com/doc/1443890 (in Persian)
Byun, S. J., Lim, S. S. & Yun, S. H. (2016). Continuing overreaction and stock return predictability. Journal of Financial and Quantitative Analysis, 51(6), 2015-2046.
Choi, K., Jiang, Z., Kang, S. & Yoon, S. (2012). Relationship between Trading Volume and Asymmetric Volatility in the Korean Stock Market. Modern Economy, 3, 584-589.
Cui, H., & Zhang, Y. (2019), does investor sentiment affect stock price crash risk? Applied Economics Letters, 1–5.
Daniel, K., Hirshleifer, D. & Subrahmanyam, A. (1998). Investor psychology and security market under and overreactions. The Journal of Finance, 53(6), 1839-1885.
Dawood Abadi, A., (2019). Investigating the information content of the continuation of the overreaction trend based on the volume of transactions and special fluctuations and its effect on the profitability of momentum in markets with price limits. Master’s thesis; Islamic Azad University, Arak branch. (in Persian)
Dehghan Khavari, S. & Mirjalili, S.H. (2018). The interaction of systematic risk with stock returns in Tehran Stock Exchange. Financial Economics, 13(49), 257-282. (in Persian)
Elfakhani, S. & Zaher, T. (1998). Differential Information Hypothesis, Firm Neglect and the Small Firm Size Effect. Journal of Financial and Strategic Decisions, 11(2), 29-40.
Esfehani, S., (2018). The role of automatic stops on movement against the direction of the market with an emphasis on the interactive effect of changes in the amount of floating shares in the industry. Master's thesis, Arak Azad University. (in Persian)
Faghfour Maghrebi, Y., Sajadi, S. H., Asnaashari, H. & Rezaeian, A. (2020). Investigating the Mediating Role of Understanding, Processing Fluency and Credibility of an Earnings Press Release on the Relationship between Language Sentiment, Readability, Sophistication and Investors’ Judgment and Decision-making. .Accounting and Auditing Review, .27(1), 87-113. doi: 10.22059/acctgrev.2020.295623.1008337 (in Persian)
Fama, E. F. & French, K. R. (1992). The Cross-Section of Expected Stock Returns. Journal of Finance (47), 427–465.
Golarzi, G. & Danayi, K. (2019). Evaluation of Shareholders’ Overreaction and its Comparison in Small and Large Companies (Case Study: Accepted Companies in Tehran Stock Exchange). Financial Management Perspective, 9(25), 59-76. doi: 10.52547/jfmp.9.25.59 (in Persian)
 Goodell, J. W., Kumar, S., Rao, P. & Verma, S. (2023). Emotions and stock market anomalies: a systematic review. Journal of Behavioral and Experimental Finance, 37, 100722.
Habib, N. M. (2011). Trade Volume and Returns in Emerging Stock Markets An Empirical Study The Egyptian Market. International Journal of Humanities and Social Science, 1(19), 302-312.
Hajannejad, A., Amiri, H., & Khoramkohi, A. (2022). Analyzing the Effects of Investors' Sentiments on the Reaction to the Profit News of Companies Listed on the Tehran Stock Exchange. Financial Accounting Research, 14(1), 1-20. doi: 10.22108/far.2022.132213.1852 (in Persian)
Handayati, P., Indrayani, L. & Indrayono, Y. (2023). The effect of under reaction and overreaction of firm stocks to firm valuation: data from the Indonesian Stock Exchange. International Journal of Business and Systems Research, 17(2), 121-142.
Hassanzadeh Diwa, S., & Bozorg ASL, M., (2021). The effect of investors' behavioral patterns on the risk of future stock price fall, with an emphasis on the role of financial reporting quality. Knowledge of management accounting and auditing, 13(50), 137- 151.
(in Persian)
Hou, K., Xiong, W. & Peng, L. (2009). Atale of two anomalies: The implications of investor attention for price and earnings momentum. Available at SSRN 976394.
Jannat Faridouni, H. & Pourali, M. (2021). Investigating the relationship between the investor's business behavior and the risk of falling stock prices on individual risk, the second international conference on new challenges and solutions in industrial engineering, management and accounting, Damghan, https://civilica.com/doc/1244328. (in Persian)
Kamyabi, Y., & Javady Nia, A. (2021). Investigating the Effect of Moderating Managerial Ability on the Relationship between Investor Sentiment and Accounting Conservatism. .Accounting and Auditing Review, 28(1), 102-134. doi: 10.22059/acctgrev.2021.307335.1008411 (in Persian)
Kant, R. (2011). Testing of relationship between stock return and trading volume in India. International journal of multidisciplinary research, 1(6), 371-393.
Khorramabadi, M., Abdi, H. & Lashgarara, S. (2024). Investigating investors' feelings and Iran's capital market's reaction to the corona virus epidemic (event research approach). Journal of Accounting Advances, 16(1). doi: 10.22099/jaa.2024.48558.2375 (in Persian)
Kordestani, Gh. & Teymori, T., (2017). The Effect of Private Information on Investment and Dividend Policy. Journal of Financial Management Strategy, 2(5), 27-53. (in Persian)
Lin, H.Y. (2012). Dynamic stock return–volume relation: evidence from emerging Asian markets. Bulletin of economic research, 65(2), 178-193.
Loang, O. K. (2022). Overreaction, investor sentiment and market sentiment of COVID-19. Vision, 09722629221087386.
Madan Haghighi, S., (2013). Investigating the relationship between free floating stocks and the range of price fluctuations: evidence from Tehran Stock Exchange, The first national accounting and management conference, Shiraz. (in Persian)
Mohanty, P. & Mishra, S. (2024). Did the Indian stock market overreact to Covid-19? The North American Journal of Economics and Finance, 70, 102072.
Ralf, B., Glaser, M., Schaarschimdt, S. & Stankiewicz, S. (2014). The stock return – trading volume relationship in European countries: evidence from asymmetric impulse responses. Working paper series, University of Konstanz, available at: www.unikonstanz.de
Reinganum, M.R. (1981). Misspecifications of capital asset pricing: Empirical anomalies based on earnings yields and market values. Journal of Financial Economics, 9(1), 19-46.
Riadi, D. R., Garnia, E. & Tahmat, T. T. (2023). Impact of The Covid 19 Pandemic: Is There Overreaction in LQ 45 Stock? Jurnal Manajemen dan Keuangan, 12(1), 178-194.
Salem Al Ghazali, A. (2014). The Relationship between Trading Volume and Stock Returns Index of Amman Stocks Exchange Analytical Study. Global Journal of Management and Business Research: Economics and Commerce, 14(7), 8-28.
Sangari, M., Aghaei, M. A., Avazzadeh Fath, F. & Pirzad, A. (2024). Investigating the effect of underreaction and overreaction on Iran's capital market risk. Journal of Investment Knowledge, 13(52), 711-726. doi: 10.30495/jik.2024.23247 (in Persian)
Shams, Sh., & Esfandiari Moghaddam, A., (2018). The relationship between herding behavior with performance and characteristics of investment companies. The financial accounting and auditing researches, 10(38), 47-66. SID. https://sid.ir/paper/198141/en. (in Persian)
Taherinia, M. (2023). Understanding Information Salience Phenomenon: Identifying and Prioritizing its Consequences in the Stock Exchange Market. Journal of Management Accounting and Auditing Knowledge, 12(45), 71-83. (in Persian)
Taherinia, M., Mohammadi, M. & Bahramian, B. (2024). Analyzing the Impact of Analytical Paralysis on Investors' Decisions in the Tehran Stock Exchange. Accounting and Auditing Review, 31(1), 95-122. doi: 10.22059/acctgrev.2024.363035.1008840 (in Persian)
Wang, X., & Meng, M. (2012). A Hybrid Neural Network and ARIMA Model for Energy Consumption Forcasting. Journal of Computers, 7(5), 1184-1190.
Xia, Y. & Madni, G. R. (2024). Unleashing the behavioral factors affecting the decision making of Chinese investors in stock markets. Plos one, 19(2), e0298797.
Yang, N. T., Chu, H. H., KO, K. C., & Lee, S. W. (2018). Continuing overreaction and momentum in a market with price limits. Pacific-Basin Finance Journal, 48, 56-71.
Zarei, A., & Darabi, R. (2018). The Impact of Investors Sentiment on Voluntary Disclosure in the Capital Market of Ira. The Financial Accounting and Auditing Researches, 10(37), 131-157. SID. https://sid.ir/paper/198024/en. (in Persian)
Zarowin, P. (1990). Size, seasonality and stock market overreaction. Journal of Financial and Quantitative Analysis, 25(1), 113-125.
بررسی‏‌های حسابداری و حسابرسی
دوره 31، شماره 3
1403
صفحه 547-572

فایل ها

هم رسانی

ارجاع به این مقاله

آمار