TY - JOUR ID - 151103 TI - مقایسه توان مدلهای آشوبی و شبکه عصبی مصنوعی در تبیین بازده غیرعادی سهام پیرامون تاریخ انتشار صورتهای مالی سالانه JO - تحقیقات حسابداری و حسابرسی JA - IAAR LA - fa SN - 2251-8428 AU - عنایتی طائبی, ریحانه AU - مهرآذین, علیرضا AU - جباری نوقابی, مهدی AD - دانشجوی دکتری، گروه حسابداری، دانشگاه آزاد اسلامی واحد نیشابور AD - گروه حسابداری، واحد نیشابور، دانشگاه آزاد اسلامی، نیشابور، ایران AD - استادیار، گروه آمار، دانشگاه فردوسی واحد مشهد Y1 - 2022 PY - 2022 VL - 14 IS - 53 SP - 135 EP - 154 KW - مدل آشوب KW - مدل شبکه عصبی مصنوعی KW - بازده غیرعادی سهام DO - 10.22034/iaar.2022.151103 N2 - امروزه مهمترین معیار ارزیابی عملکرد واحدهای تجاری، نرخ بازده سهام است. از آن جا که بشر علاقه زیادی به پیشبینی حوادث آینده دارد تا از طریق آن بتواند آثار ناشی از حوادث را به نحوی کنترل نموده و تبعات منفی ناشی از آن را به حداقل برساند، پیش‌بینی و تبیین قیمت و بازده سهام نیز همواره از موضوعات مورد توجه در حوزه آکادمیک می باشد. بنابراین در تحقیق حاضر، داده‌های مربوط به بازده غیرعادی سهام 177 شرکت پذیرفته شده در بورس اوراق بهادار تهران در بازه زمانی 1387 تا 1396 با استفاده از تجزیه و تحلیل تکنیکی و کشف روند گذشته پیرامون تاریخ انتشار صورت‌های مالی سالانه بررسی گردید. همچنین به منظور پیش‌بینی بازده غیرعادی سهام  از مدل‌های آشوبی SETAR وLSTAR، مدل خطی AR و مدل شبکه عصبی مصنوعی (با به کارگیری سه عامل فاما-فرنچ) استفاده شد. در نهایت مدل شبکه عصبی مصنوعی به عنوان مدل بهینه انتخاب گردید. UR - https://www.iaaaar.com/article_151103.html L1 - https://www.iaaaar.com/article_151103_de81591a878a691c0f4a8e6802ef6369.pdf ER -