پیش‌بینی سود هر سهم با استفاده از الگوریتم‌های یادگیری ماشین در بازار سرمایه عراق و امارات متحده عربی
کلمات کلیدی:
پیش‌بینی سود هر سهم, بازارهای نوظهور, یادگیری ماشین, شبکه عصبی عمیق, ESG, تحلیل داده‌های مالی, عراق, امارات متحده عربی, پردازش زبان طبیعی, یادگیری تقویتیچکیده
هدف پژوهش، توسعه و آزمون چارچوبی ترکیبی مبتنی بر الگوریتم‌های یادگیری ماشین برای پیش‌بینی سود هر سهم (EPS) در بازارهای نوظهور عراق و امارات متحده عربی است. این مطالعه داده‌های مالی ۶۵ شرکت از بورس عراق و ۱۵۰ شرکت از بورس امارات را در بازه ۲۰۱۹ تا ۲۰۲۴ گردآوری کرد. داده‌ها شامل شاخص‌های مالی سنتی، متغیرهای کلان اقتصادی، و شاخص‌های ESG بودند. پس از پیش‌پردازش و نرمال‌سازی، الگوریتم‌های شبکه عصبی مصنوعی، ماشین بردار پشتیبان، جنگل تصادفی، گرادیان تقویتی، یادگیری تقویتی، یادگیری فدرال و مدل‌های NLP مبتنی بر FinBERT و FastText اجرا شدند. عملکرد مدل‌ها با معیارهای MAE، RMSE و R² و آزمون Diebold-Mariano ارزیابی شد. نتایج نشان داد الگوریتم گرادیان تقویتی (GBM) بهترین عملکرد را داشت و در بازار عراق به MAE=0.127 و R²=0.78 و در امارات به MAE=0.110 و R²=0.83 دست یافت. مدل‌های NLP نیز در امارات نتایج قابل‌توجهی (R²=0.83) ارائه دادند. در تحلیل حساسیت، متغیرهای مالی مانند سود خالص و جریان نقدی عملیاتی بیشترین اهمیت را داشتند، در حالی که قیمت نفت در عراق و شاخص نوآوری در امارات اثرگذارترین متغیرهای کلان بودند. آزمون داده‌های 2025 نشان داد GBM و NLP توانایی تعمیم‌پذیری بالایی دارند. یافته‌ها نشان می‌دهد که استفاده از الگوریتم‌های یادگیری ماشین به‌ویژه GBM می‌تواند دقت پیش‌بینی EPS را در بازارهای نوظهور به‌طور چشمگیری افزایش دهد. تفاوت‌های ساختاری و نهادی دو بازار نشان می‌دهد که انتخاب مدل باید بافت‌محور باشد. این چارچوب ترکیبی می‌تواند الگویی کاربردی برای سایر بازارهای در حال توسعه ارائه کند.
دانلودها
مراجع
Al-Zubaidi, H. S., Abdulhameed, M. A., & Fenjan, F. H. (2025). Evaluating common stock prices through the residual income model: Evidence from Iraq stock exchange. Journal of Economic and Administrative Sciences.
Alqahtani, F., & Mayhew, B. (2022). Macroeconomic uncertainty and earnings predictability in emerging markets. Journal of International Accounting Research, 21(3), 45-68.
Chang, T. Y., Lee, J. H., & Lee, Y. C. (2023). Applying sustainable development goals in financial prediction models: ESG integration for long-term risk assessment. Sustainability.
Chen, H., Wang, J., & Zhou, Y. (2022). Gradient boosting models for financial forecasting: An empirical comparison. Expert Systems with Applications, 193, 116423. https://doi.org/10.1016/j.eswa.2021.116423
Etemadi, H., Ahmadpour, A., & Moshashaei, H. (2015). Earnings per share forecast using extracted rules from decision tree and genetic algorithm. Iranian Journal of Management Studies. https://doi.org/10.1007/s10614-014-9455-6
Hoseinzade, E., Haratizadeh, S., & Ebrahimi, S. (2019). Stock market prediction using machine learning: A hybrid approach. Journal of Forecasting, 38(6), 600-619.
Jamali, A., & Taj Ardekani, A. (2016). Explain the relationship between profit forecasts by management and stock return in accepted companies in Tehran stock exchange. Iranian Journal of Accounting Research.
Kim, S., & Won, H. (2021). Deep learning in financial forecasting: The role of data quality and market stability. Applied Intelligence, 51(5), 3212-3229.
Krauss, C., Do, X. A., & Huck, N. (2020). Deep neural networks, gradient-boosted trees, random forests: Statistical arbitrage on the S&P 500. European Journal of Operational Research, 281(2), 518-532.
Kuryłek, D. (2024). Artificial neural networks and gradient boosting in financial forecasting: Evidence from Poland. Journal of Forecasting.
Mahmud, K., Akter, S., & Ahammed, S. (2024). Value relevance of key accounting information in emerging markets. Asian Journal of Finance & Accounting. https://doi.org/10.54728/JFMG.202310.00072
Pouransari, H., & Chalabi, M. (2014). Event-based stock market prediction using natural language processing. International Journal of Computer Applications.
Raghupathi, W. (1996). A neural network approach to forecasting earnings per share. Information Sciences.
Slavin, H. (2007). Aggregating earnings per share forecasts. International Journal of Forecasting.
Zhang, Y., & Wang, J. (2020). Financial time series forecasting with machine learning: An overview. IEEE Access, 8, 23306-23326.
Zhang, Z., Chen, Y., & Li, J. (2021). Random forest and gradient boosting for stock return prediction: Evidence from emerging markets. Finance Research Letters, 39, 101620. https://doi.org/10.1016/j.frl.2020.101539
دانلود
چاپ شده
ارسال
بازنگری
پذیرش
شماره
نوع مقاله
مجوز
حق نشر 2024 Hayder Huodur Radhi Al-Sarray, Meysam Doaei, Ibrahim Abed Mousa Alsabary , Mohammad Alimoradi (Author)
این پروژه تحت مجوز بین المللی Creative Commons Attribution-NonCommercial 4.0 می باشد.
