پیش بینی قیمت گذاری عرضه عمومی اولیه با استفاده از الگوریتم بهینه سازی انبوه ذرات (PSO) و ماشین بردار پشتیبان (SVM)

در پژوهش حاضر به مقایسه قدرت شبکه های عصبی ، ماشین بردار پشتیبان و مدل برخاسته از ترکیب الگوریتم بهینه سازی انبوه ذرات (PSO) و ماشین بردار پشتیبان (SVM)به منظور پیش بینی قیمت گذاری عرضه های عمومی اولیه پرداخته می شود. هدف این تحقیق طراحی مدلی است که به سرمایه گذاران در تشخیص صحت قمیت گذاری عرضه های عمومی اولیه و شکار فرصتهای سودآوری یاری رساند. بنابراین متغیرهای استفاده شده در ین پژوهش از میان آن دسته از متغیرهای انتخاب شده اند که قبل از عرضه در اختیار سرمایه گذارانی که دسترسی محدودی به اطلاعات دارند، قرار داشته باشند. از سوی دیگر، نتایج این تحقیق می تواند برای شرکت ناشر، مشاور پذیرش، پذیره نویسان و نیز قانون گذاران بورس اوراق بهادار سودمند باشد. قیمت گذاران، که قیمت روز نهم عرضه را در نظر گرفته ایم زیرا نوسانات قیمت از بین رفته وقیمت واقعی تر به نظر می رسد . نتایج تحقیق نشان می دهد ترکیب الگوریتم بهینه سازی انبوه ذرات (PSO) و ماشین بردار پشتیبان (SVM) قدرت پیش بینی را به طور محسوسی افزایش می دهد. در نتیجه، مدل های ماشین بردار پشتیبان می توانند با افزایش صحت قیمت گذاری عرضه های عمومی اولیه منافع اقتصادی با اهمیتی به صورت کاهش هزینه های قمیت گذاری کمتر از واقع فراهم کنند.

کلیدواژه ها:

عرضه های عمومی اولیه ، قمیت گذاری ، شبکه های عصبی ، ماشین بردار پشتیبان ، الگوریتم بهینه سازی انبوه ذرات