ارزیابی معیارهای حسابداری در انتخاب سبد بهینه سهام در بازار سرمایه ایران: رویکرد ترکیبی SVM-DEA
کلمات کلیدی:
بازار سرمایه ایران, انتخاب سبد سهام, معیارهای حسابداری, ماشین بردار پشتیبان (SVM), تحلیل پوششی دادهها (DEA)چکیده
هدف این پژوهش، ارزیابی کارایی معیارهای حسابداری در انتخاب سبد بهینه سهام شرکتهای پذیرفتهشده در بورس اوراق بهادار تهران و طراحی یک مدل ترکیبی مبتنی بر ماشین بردار پشتیبان (SVM) و تحلیل پوششی دادهها (DEA) برای بهبود فرآیند تصمیمگیری سرمایهگذاری بود. این پژوهش از نوع کاربردی و کمی بود که بر روی شرکتهای پذیرفتهشده در بورس اوراق بهادار تهران طی دوره 1388 تا 1401 انجام شد. نمونه پژوهش با استفاده از روش حذف سیستماتیک انتخاب گردید. در مرحله نخست، متغیرهای حسابداری استخراجشده از صورتهای مالی شرکتها با استفاده از الگوریتم ماشین بردار پشتیبان غربالگری شدند تا شاخصهای اثرگذار بر بازده سهام شناسایی و رتبهبندی شوند. سپس متغیرهای منتخب به همراه شاخصهای ریسک در قالب مدل تحلیل پوششی دادهها (DEA) از نوع BCC خروجیمحور با بازده به مقیاس متغیر مورد استفاده قرار گرفتند تا کارایی نسبی شرکتها ارزیابی شود. در نهایت، بر اساس امتیازهای کارایی، سبد بهینه سهام تشکیل و عملکرد آن بررسی شد. نتایج نشان داد شاخص نسبت ارزش دفتری به بازار (B/P) با وزن 0.639 رتبه نخست را در میان متغیرهای حسابداری به دست آورد، پس از آن رشد فروش (0.569) و رشد سود (0.541) قرار گرفتند. نتایج مدل SVM دقت مناسبی در طبقهبندی شرکتهای کارا و ناکارا نشان داد (AUC=0.81). همچنین نتایج DEA نشان داد حدود 23 درصد شرکتها بر مرز کارایی قرار دارند، در حالی که 77 درصد دیگر ناکارا بودند. تحلیل شکاف کارایی نشان داد مهمترین عوامل ناکارایی به ضعف در شاخصهای نقدینگی و بهرهوری سرمایه مربوط است. یافتهها همچنین نشان دادند که شاخصهای بازارمحور شامل B/P و E/P بیشترین نقش را در تعیین کارایی شرکتها و انتخاب سهام مناسب دارند. یافتههای پژوهش نشان داد مدل ترکیبی SVM-DEA نسبت به روشهای سنتی از توان بیشتری در غربالگری متغیرهای مؤثر، شناسایی شرکتهای کارا و تشکیل سبدهای سرمایهگذاری بهینه برخوردار است. استفاده همزمان از تکنیکهای یادگیری ماشین و ارزیابی کارایی میتواند دقت تصمیمگیری سرمایهگذاران را افزایش داده و به بهبود عملکرد سبدهای سهام در بازار سرمایه ایران کمک کند.
دانلودها
مراجع
Al Janabi, M. A. (2021). Multivariate Portfolio Optimization under Illiquid Market Prospects: A Review of Theoretical Algorithms and Practical Techniques for Liquidity Risk Management. Journal of Modelling in Management, 16(1), 288-309. https://doi.org/10.1108/JM2-07-2019-0178
Anuno, F., Madaleno, M., & Vieira, E. (2024). Testing of Portfolio Optimization by Timor-Leste Portfolio Investment Strategy on the Stock Market. Journal of Risk and Financial Management, 17(2), 78. https://doi.org/10.3390/jrfm17020078
Behera, J., Pasayat, A. K., Behera, H., & Kumar, P. (2023). Prediction based mean-value-at-risk portfolio optimization using machine learning regression algorithms for multi-national stock markets. Engineering Applications of Artificial Intelligence, 120, 105843. https://doi.org/10.1016/j.engappai.2023.105843
Dunis, C. L., Middleton, P. W., Karathanasopolous, A., & Theofilatos, K. (2019). Artificial Intelligence in Financial Markets. Springer. http://repo.darmajaya.ac.id/5259/1/Artificial%20Intelligence%20in%20Financial%20Markets_%20Cutting%20Edge%20Applications%20for%20Risk%20Management%2C%20Portfolio%20Optimization%20and%20Economics%20%28%20PDFDrive%20%29.pdf
Jaiyeoba, H. B., Abdullah, M. A., & Ibrahim, K. (2020). Optimizing Stock Portfolio Performance with a Combined RG1-TOPSIS Model: Insights from the Chinese Market. Journal of the Knowledge Economy, 11(4), 1600-1622. https://doi.org/10.1007/s13132-019-00614-4
Khalouzadeh, H., & Amiri, N. (2006). Optimal Stock Portfolio Selection in the Iranian Stock Market Based on Value-at-Risk Theory. Economic Research(73), 211-231. https://www.magiran.com/paper/361447/optimal-portfolio-selection-in-iran-stock-exchange-via-value-at-risk-theory?lang=en
Kim, H. Y., & Ahn, H. (2021). Ant colony optimization for portfolio selection in volatile markets. Journal of Computational Finance, 24(1), 1-18.
Larni-Fooeik, A., Sadjadi, S. J., & Mohammadi, E. (2024). Stochastic portfolio optimization: A regret-based approach on volatility risk measures: An empirical evidence from The New York stock market. PLoS One, 19, e0299699. https://doi.org/10.1371/journal.pone.0299699
Leung, P. l., Ng lui, K., & wong, W. (2022). An improved estimation to make Markowitz's portfolio optimization theory users friendly and estimation accurate with application on the US stock market investment. 85-98. https://doi.org/10.1016/j.ejor.2012.04.003
Levchenko, V., & Ostapenko, M. (2016). Formation of the Optimal Portfolio of Insurer’s Services of the Voluntary Types of Insurance. Insurance Markets and Companies, 7(1), 45-51. https://doi.org/10.21511/imc.7(1).2016.05
Li, B., & Teo, K. L. (2021). Portfolio optimization in real financial markets with both uncertainty and randomness. Applied Mathematical Modelling, 100, 125-137. https://doi.org/10.1016/j.apm.2021.08.006
Mostafaei Darmian, S., & Doaei, M. (2021). A Stochastic Optimization-Based Approach for Solving the Portfolio Selection Problem in Iran's Capital Market Using Metaheuristic Algorithms. Quarterly Journal of Applied Economic Theories, 8(4).
Navidi, H. R., Nejoomi Markid, A., & Mirzazadeh, H. (2010). Portfolio Selection in Tehran Stock Exchange Market with a Genetic Algorithm. Journal of Economic Research (Tahghighat- E- Eghtesadi), 44(4). https://jte.ut.ac.ir/article_20348.html
Redkin, N. (2019). Investment Portfolio Optimization on Russian Stock Market in Context of Behavioral Theory. Finance Theory and Practice, 23(4), 99-116. https://doi.org/10.26794/2587-5671-2019-23-4-99-116
Salemi Najafabadi, M., Saadatfar, N., & Karimi, F. (2014). Forecasting returns on investment opportunities in Iran's financial markets considering market interactions and forming an optimal investment portfolio using artificial intelligence. Asset Management and Financing, 2(4), 35-50. https://doi.org/10.22108/amf.2014.19897
Wang, Z. (2025). Active vs. Passive Investment in the Post-Pandemic U.S. Stock Market: A Sharpe Ratio-Based Portfolio Optimization Compared to the S&P 500. Highlights in Business Economics and Management, 61, 41-45. https://doi.org/10.54097/j6kd1r14
دانلود
چاپ شده
ارسال
بازنگری
پذیرش
شماره
نوع مقاله
مجوز
حق نشر 2025 Hossein Nabieiboroujeni (Author); Hamidreza Jafari Dehkordi (Corresponding author)
این پروژه تحت مجوز بین المللی Creative Commons Attribution-NonCommercial 4.0 می باشد.
