ارایه مدلی برای نقدشوندگی روزانه سهام در بورس اوراق بهادار تهران

نقدشوندگی مفهومی است که به روشنی قابل تعریف نبوده و تاکنون بیش از 90 معیار مختلف در سراسر جهان برای نقدشوندگی بکار رفته است. پژوهش حاضر با هدف ارایه مدلی بومی برای نقدشوندگی روزانه سهام بر مبنای عوامل موثر بر نقدشوندگی، شکل گرفته است. مقادیر 7 عامل غیرسیستماتیک که قابلیت ارزیابی روزانه داشتند، براساس داده‌های 151 شرکت فعال در بازه زمانی 1388 لغایت 1400 استخراج و در قالب دو خوشه افراز شد. با استفاده از معادلات ساختاری با رویکرد حداقل مربعات جزیی، اعتبار متغیرهای شناسایی‌شده با معیار استخراجی ارزیابی و توان آنها در توضیح‌دهندگی تغییرات آن محاسبه شد. ارزیابی ارتباط متغیرها در مدل‌های یادگیری‌ماشینی نشان داد که قیمت پایانی، ارزش روزانه معاملات، بازده روزانه، واریانس بازده‌های روزانه و اندازه شرکت بیشترین تاثیر را در خوشه‌بندی دارند. سرانجام بهترین مدل یادگیری ماشینی، براساس آموزش و آزمون انتخاب شد. نتایج نشان می‌دهد متغیرهای مستقل، بیش از 83 درصد از تغییرات نقدشوندگی را توضیح می‌دهند. همچنین مدل رگرسیون لجستیک در مقایسه با سایر مدل‌های یادگیری ماشینی، توان پیش‌بینی بالاتری داشته و با 6/99 درصد صحت برازش، مناسب‌ترین مدل پیش‌بینی نقدشوندگی است.