دانش سرمایه‌گذاری

دانش سرمایه‌گذاری

مقایسه توان پیش‌بینی شبکه عصبی پرسپترون چند لایه (MLP) و رگرسیون خطی چندگانه در تخمین بازدهی اوراق خزانه اسلامی

مقالات آماده انتشار

نوع مقاله : مقاله پژوهشی

نویسندگان
پگاه شاهرخی 1
سید محمد هاشمی نژاد 2
سید عاطفه حسینی 3
1 دانشجوی دکتری ،گروه حسابداری و مالی ،دانشگاه آزاد اسلامی ،واحد فیروزکوه،فیروزکوه،ایران
2 استادیار، گروه مدیریت بازرگانی ، دانشگاه آزاد اسلامی، واحد علوم پزشکی تهران، تهران، ایران
3 استادیار، گروه حسابداری ،واحد فیروزکوه، دانشگاه آزاد اسلامی، فیروزکوه، ایران
10.22034/jik.2025.77941.4596
چکیده
این پژوهش به مقایسه توان پیش‌بینی شبکه عصبی پرسپترون چندلایه (MLP) و رگرسیون خطی چندگانه در تخمین بازدهی اوراق خزانه اسلامی می‌پردازد. با استفاده از داده‌های مالی و اقتصادی مرتبط با اوراق خزانه اسلامی از سال 1397 تا 1400، مدل‌های پیش‌بینی بر اساس متغیرهای مختلف تأثیرگذار بر بازدهی طراحی و ارزیابی شدند. هدف اصلی این پژوهش، بررسی دقت پیش‌بینی این دو روش و تحلیل کارآمدی آن‌ها در مدیریت ریسک مالی بود. نتایج نشان داد که مدل MLP دقت بیشتری در مقایسه با رگرسیون خطی چندگانه دارد و توانست با خطای کمتری بازدهی اوراق را پیش‌بینی کند. این یافته‌ها نشان می‌دهد که مدل‌های شبکه عصبی به دلیل توانایی در مدل‌سازی روابط پیچیده و غیرخطی، ابزار مناسبی برای تحلیل‌های مالی و پیش‌بینی‌های اقتصادی هستند. نتایج این پژوهش می‌تواند به بهبود تحلیل‌های مالی و مدیریت ریسک اوراق خزانه اسلامی کمک کرده و زمینه‌های توسعه روش‌های ترکیبی در این حوزه مهم را فراهم کند.
کلیدواژه‌ها
تخمین نرخ بازدهی
MLP
رگرسیون
اوراق خزانه

عنوان مقاله English

Comparing the Predictive Power of Multilayer Perceptron (MLP) and Multiple Linear Regression in Estimating the Yield of Islamic Treasury Bonds

نویسندگان English

pegah shahrokhi 1
seyyed mohammad hashemi nejad 2
Seyyed Atefeh Hoseini 3
1 Ph.D Student, Department of Accounting and Finance,Islamic Azad University,Firuzkuh Branch ,Firuzkuh,Iran
2 Assistant Professor,Department of Business Management ,Islamic Azad Univrsity,Tehran Medical Science Branch,Tehran,Iran
3 Assistant Professor,Department of Accounting,Firuzkuh Branch, Islamic Azad University, ,Firuzkuh,Iran
چکیده English

This study compares the predictive power of the Multilayer Perceptron (MLP) neural network and multiple linear regression in estimating the yield of Islamic treasury bonds. Using financial and economic data from 2018 to 2021, prediction models were designed and evaluated based on various variables affecting bond yields. The main goal was to assess the accuracy of these two methods and analyze their efficiency in financial risk management. The results showed that the MLP model outperformed multiple linear regression, offering higher accuracy with lower error in predicting bond yields. These findings indicate that neural network models, due to their ability to model complex and nonlinear relationships, serve as suitable tools for financial analysis and economic forecasting. The results from this research can enhance financial analysis and risk management of treasury bonds, and provide a foundation for developing combined approaches in this field.

کلیدواژه‌ها English

Yield estimation
MLP
Regression
treasury bonds
دانش سرمایه‌گذاری

مقالات آماده انتشار، پذیرفته شده
انتشار آنلاین از 17 بهمن 1403