پیش بینی و بررسی رفتار قیمت اوراق بهادار مقوله ای است كه دانشمندان علوم مالی و سرمایه گذاران همواره در پی بهینه سازی آن می باشند. در عصر حاضر با توجه به پیشرفت فن آوری در زمینه علوم كامپیوتر و فراگیر شدن آن در علوم مختلف، زمینه های استفاده از شبكه های عصبی مصنوعی با توجه به سرعت بسیار بالای پردازش در كامپیوترها به وجود آمده است. این شبكه ها با استفاده از قابلیت یادگیری خود هر گونه تغییری در قوانین نهفته در سری های زمانی را فرا گرفته و برای پیش بینی آینده از آن استفاده می كنند(حیدری زارع و کردلویی، 1389). رشد اقتصادی مداوم و پایدار در هر اقتصادی مستلزم تجهیز و تخصیص بهینه منابع در سطح اقتصاد ملی میباشد (مهرآرا و همکاران، 1388). در ادبیات اقتصادی سرمایه به منزله رگ حیات یك نظام اقتصادی تلقی ‌شده و بر تشكیل آن به عنوان مهمترین عامل تعیین كننده رشد و توسعه اقتصادی تأكید زیادی شده‌است. اساساً میزان رشد و توسعه اقتصادی از یک سو در گرو انباشت سرمایه بوده و از سوی دیگر به عامل بهره‌وری در فعالیتهای اقتصاد بستگی دارد. این دو عامل اساسی به چگونگی فرآیند سرمایه‌گذاری بستگی دارد(موتمنی، 1388). بنابراین و با توجه به این نکته که، «یکی از مهمترین وظایف بازارهای مالی، تسهیل تشکیل سرمایه می باشد»، بازارهای سرمایه و از جمله آنها بورس اوراق بهادار، به خوبی میتواند از عهده هر دو وظیفه اشاره شده (انباشت سرمایه و افزایش بهره وری اقتصادی) به خوبی برآید(سعیدی، 1388).
در این بین، پیش بینی نیز به عنوان یکی از عناصر کلیدی تصمیم‏گیری‏های اقتصادی، پیشامدهای آینده را با هدف کاهش ریسک تخمین می‏زند(حیدری زارع و کردلوئی، 1389). افزون بر این، وجود خطای پیش بینی در بکارگیری مدلهای مختلف طبیعی بوده و بالطبع مدلی ارجح تر است که از میزان خطای پیش بینی کمتری برخوردار باشد و لازمه این امر، وجود اطلاعات هر چه بیشتر درباره اجزاء مختلف سیستم مورد بررسی می باشد، که در بسیاری از موارد دسترسی به این اطلاعات بسیار سخت و گاهی ناممکن می باشد. در چنین شرایطی به منظور

 استمرار حضور سرمایه‏گذاران به عنوان‏ اصلی‏ترین ارکان بازار سرمایه، داشتن یک مدل پیش بینی مناسب سبب تخصیص بهینه منابع‏ و در نتیجه افزایش کارایی در این بازار می‏شود. از اینرو، بکارگیری مدلهای «سری زمانی تک متغیره» در قالب تحلیل تکنیکی میتواند پاسخی به این محدودیت باشد.

تحقیقات نشان می‏دهد اگر بتوان فرایند مولد داده‏های یک متغیر (خطی یا غیرخطی) را به‏ دست آورد پیش بینی آن متغیر راحت‏تر و با خطای کمتری امکان‏پذیر خواهد بود(مشیری‏ و فروتن، 1383). اگرچه مدل‏های خطی پیشرفته پیش بینی‏های مناسبی در دوره‏های زمانی‏ میان‏مدت و کوتاه‏مدت دارند، اما بررسی‏ها در بازار سرمایه نشان داده است که رفتار سهام‏ از یک الگوی خطی تبعیت نمی‏کند و الگوهای خطی تنها بخشی از رفتار سهام در بازار را نشان می‏دهد(مشیری و مروت، 1385). در این صورت وجود یک سیستم پویای غیرخطی در ارتباط با رفتار بازار مدل‏های موجود را عملاً دچار ابهام خواهد کرد. لذا پیش بینی‏ داده‏هایی که از این سیستم پیروی می‏کنند، نیازمند ابزارهای هوشمند و پیشرفته‏ای مانند شبکه‏های عصبی است. این شبکه‏ها به عنوان یکی از سیستم‏های هوشمند، می‏تواند رابطه‏ غیرخطی بین ورودی‏ها و خروجی‏ها را براساس مجموعه داده‏ها، تشخیص و روابط بنیادین‏ بین آنها را شناسایی نماید(البرزی و همکاران، 1388). در همین راستا پژوهش حاضر در تلاش است تا با استفاده از شبکه های عصبی مصنوعی به پیش بینی قیمت و بازده سهام در میان شرکتهای پذیرفته شده در بورس اوراق بهادار تهران بپردازد.

1-2 : بیان مسئله تحقیق

تاثیر بورس اوراق بهادار در توسعه اقتصادی یک کشور، امری بدیهی است. بازار سرمایه یکی از نهادهایی است که می تواند نقش بسزایی در گذار از اقتصاد توسعه نیافته به اقتصاد توسعه یافته ایفا کند. چرا که این بازار می تواند با تخصیص بهینه منابع و هدایت سرمایه های سرگردان به سمت سرمایه گذاری های مولد، به افزایش تولید کالا و خدمات در جامعه کمک نماید(چائوهان و همکاران، 2014) [1]. یکی از مهمترین عوامل در تصمیم گیری صحیح، اطلاعات مناسب و مرتبط با موضوع تصمیم است (عسگری، 1383). در این تحقیق برآنیم که به بررسی تاثیر برخی متغیرهای مالی در پیش بینی بازده آتی سهام با استفاده از شبکه عصبی و رگرسیون خطی بپردازیم و با در نظر گرفتن تمامی این عوامل تاثیرگذار بر قیمت و بازده سهام، قیمت و بازده را با استفاده از دو روش فوق پیش بینی نماییم و به این سوال پاسخ دهیم که آیا شبكه های عصبی مصنوعی در مقایسه با رگرسیون خطی در پیش بینی قیمت و بازده سهام عملکرد بهتری خواهد داشت؟

1-3 : اهمیت و ضرورت تحقیق:

در دهه‌های اخیر؛ جهانی سازی، تشکیل بازارهای مالی جدید، تشدید رقابت بین شرکت‌ها، موسسات و سازمان‌ها و همچنین تغییرات سریع اقتصادی، اجتماعی و تکنولوژی باعث افزایش عدم اطمینان و بی‌ثباتی در محیط‌های مالی شده و به تبع آن پیچیدگی فرآیند تصمیم‌گیری مالی نیز بیشتر شده است. در چنین شرایطی مسلماً بالندگی اقتصادی در گرو تصمیم‌گیری صحیح و تخصیص بهینه منابع خواهد بود، چرا که اگر سرمایه‌ها در فرصت‌های مناسب، سرمایه‌گذاری نشوند و یا به نحوی از آن‌ها استفاده شود که کارایی لازم را نداشته باشند، اقتصاد کلان کشورها دچار چالش‌های عظیمی خواهد شد. از این روست که امروزه در تمام اقتصادهای توسعه‌یافته و یا در حال توسعه از سرمایه‌گذاری و سرمایه‌گذاران حمایت گسترده‌ای به عمل می‌آید. همین دیدگاه سبب شده است تا سرمایه‌گذاری و بهره‌گیری مناسب از فرصت‌های سرمایه‌گذاری به یکی از مهم‌ترین موضوعات مطرح شده در زمینه مدیریت مالی تبدیل شود (اسلامی و جهانشاهی ،1376). قیمت و بازده سهام دو عامل مهم و تاثیرگذار برای سرمایه گذاران در سرمایه گذاری هاست. از این رو در صورتی که آنها نسبت به این دو عنصر قدرت پیش بینی و تخمین داشته باشند خواهد توانست افق بهتری برای سرمایه گذاری خود در نظر داشته باشد و در سطح گسترده تری به سرمایه گذاری بپردازند. از این رو ضرورت دارد تا چنین پژوهشی برای بهره مندی سرمایه گذاران و صاحبان کسب و کار در اختیار این دسته از افراد قرار گیرد.
جنبه جدید بودن و نوآوری طرح : مطالعه حاضر به جهت مقایسه یک روش آماری قوی یعنی رگرسیون خطی چندمرحله ای و یک مدل فرا ابتکاری شناخته شده یعنی شبکه عصبی مصنوعی در مدل سازی ساختار سرمایه دارای نوآوری است. همچنین در ارتباط با جامعه آماری پژوهش می توان به پیاده سازی پژوهش در میان شرکت های سرمایه گذاری بورس اوراق بهادار تهران اشاره کرد که تاکنون به این طریق در این زمینه پژوهشی صورت نگرفته است.

1-4: اهداف تحقیق:

هدف از اجرای این تحقیق، بروز رسانی دانش سرمایه گذاران و به ویژه سرمایه گذاران نهادی برای پیش بینی قیمت سهام و همچنین شناخت GMDH بازار در استفاده از شبکه عصبی هوشمند در این پیش بینی است. با این حال، هدف آرمانی این تحقیق را می توان ارائه یک تحلیل مقایسه ای بین مدل رگرسیون و شبکه عصبی در مدل سازی ساختار سرمایه شرکت ها عنوان نمود. در این راستا اهداف فرعی نیز به شرح زیر مورد نظر محقق می باشد:
1.تعیین امكان پذیری پیش بینی قیمت و بازده سهام با استفاده از شبكه های عصبی مصنوعی.
1-1: تعیین امكان پذیری پیش بینی قیمت سهام با استفاده از شبکه های عصبی مصنوعی.
1-2: تعیین امكان پذیری پیش بینی بازده سهام با استفاده از شبکه های عصبی مصنوعی.
2.تعیین امكان پذیری برآورد بهتری شبکه ی عصبی مصنوعی در مقایسه با رگرسیون خطی.
2-1: تعیین امكان پذیری برآورد بهتر شبکه ی عصبی مصنوعی در مقایسه با رگرسیون خطی.
           2 -2: تعیین امكان پذیری برآورد بهتر شبکه ی عصبی مصنوعی در مقایسه با رگرسیون خطی.
با توجه به اینکه پژوهش پیرامون بورس اوراق بهادار تهران به مطالعه می پردازد هم مدیران عامل شرکت های سرمایه گذاری و هم مدیران شرکت هایی غیر از شرکت های سرمایه گذاری و نیز سرمایه گذاران حقیقی و حقوقی می توانند از نتایج پژوهش در تشکیل پرتفوی به نحو بهینه استفاده کنند. این نتایج راهگشای سرمایه گذاران در انتخاب سبد پرتفوی سرمایه گذاری آنان است. در بخش دیگر پژوهشگران آتی می توانند از نتایج پژوهش برای انجام پژوهش های آتی بهره گیرند.
 Chauhan et al