بررسی مقایسه ای رویکردهایی مبتنی بر الگوریتم های درخت تصمیم و ماشین بردار پشتیبان جهت تحلیل عملکرد عرضه عمومی اولیه در بورس اوراق بهادار تهران

فرآیند عرضه اولیه شرکت ها می تواند دو هدف مهم یک سیستم مالی شامل تسهیم ریسک میان سرمایه گذاران و تامین سرمایه موردنیاز را محقق نماید. یکی از چالش های اصلی در عرضه اولیه شرکت ها، روش قیمت گذاری سهم می باشد. تاکنون نظریه های مختلفی برای قیمت گذاری عرضه اولیه ارائه شده است. در تحقیقات قبلی، به منظور تحلیل عملکرد کوتاه مدت عرضه اولیه از نوعی تحلیل رگرسیون ساده و تست های آماری استفاده شد. این روش ها، از کارایی و دقت کمتری برخوردار بود و جای شکاف در آنها دیده می شد. بنابراین، پژوهش حاضر با استفاده از تکنیک های یادگیری ماشین که قادر به گرفتن و نشان دادن روابط پیچیده بین متغیرهای ورودی و خروجی پنهان در پایگاه داده های بزرگ می باشد؛ خود را از سایر مطالعات متمایز می سازد. در این پژوهش، عملکرد کوتاه مدت عرضه اولیه های بورس اوراق بهادار تهران طی سال های 1392 تا 1396 بررسی خواهد شد؛ و روش اعتبارسنجی 10 -تایی برای ارزیابی و کنترل عملکرد مدل های طبقه بندی نزدیک ترین همسایگی، ماشین بردار پشتیبان والگوریتم C5 درخت تصمیم، مورد استفاده قرارخواهدگرفت.نتایج تحقیقات نشان می دهد که در بین مدل ها، نزدیک ترین همسایگی و ماشین بردار پشتیبان از دقت و کارایی بالایی در پیش بینی عملکرد کوتاه مدت عرضه عمومی اولیه برخوردار است.