2
Academic Staff and Associate Professor of Alzahra University
3
Academic Staff and Associate Professor of Azad University
Abstract
The first public stock released by a company is defined as initial public offering. In recent years, there have been many research on IPO short-term performance. The present research aims to test different classification models to find model having great efficiency in Prediction of initial public offering short-term performance. The study included 60 IPO in Tehran Stock Exchange during the period 2005-2015. In the proposed framework, average surplus return for first three days of IPO has a positive value and equals to 1.3% although this value is not high same as developed markets. 10-fold cross-validation method was used for evaluating and monitoring nearest neighbor, support vector machines, decision trees and naive-Bayes and results showed that among monitoring nearest neighbor and support vector machines models has high accuracy in predicting IPO short-term performance.
پویانفر، احمد و فلاحپور، سعید. (1394). استفاده از روش هیبرید انتخاب ویژگی و الگوریتم نزدیکترین همسایگی برای پیشبینی جهت حرکتی روزانه 50 شرکت فعالتر بورس اوراق بهادار تهران. مجله مهندسی مالی و مدیریت اوراق بهادار، شماره 25.
خداپرستی، صابر، زمانیان، غلامرضا و سنگینیان، علی. (1392). عوامل موثر بر بازده کوتاهمدت و بلندمدت سهام عرضه شده در عرضههای اولیه در بورس اوراق بهادار تهران. پژوهشهای تجربی حسابداری، شماره11، ص 179-200.
دموری، داریوش. (1381). شناسایی عوامل موثر بر بازده بلندمدت سهام جدیدا پذیرفته شده در بورس اوراق بهادار تهران و تحلیل روابط متقابل این عوامل. (رساله دکتری مدیریت مالی). دانشگاه تهران، ایران.
ظریففرد، احمد و مهرجو، حامد. (1383). بررسی عملکرد قیمتگذاری سهام در اولین عرضه سهامها در بورس اوراق بهادار تهران. فصلنامه مطالعات تجربی حسابداری مالی، شماره 8.
عارفیان، فاطمه و افتخاری، مهدی. (1392). روش جدید K نزدیکترین همسایه فازی و ناهموار برای طبقهبندی نیمه نظارتی. همایش مهندسی کامپیوتر و توسعه پایدار.
عباسی، ابراهیم و بالاورد، مهدی. (1387). بررسی تجربی ارزان قیمت گذاری و بازده بلندمدت عرضه عمومی اولیه سهام. (پایاننامه کارشناسی ارشد). دانشگاه آزاد اسلامی، ایران.
فلاح شمس، میرفیض و کردلویی، حمیدرضا. (1391). بررسی دستکاری قیمتها در بورس اوراق بهادار تهران با استفاده از مدل ماشین بردار پشتیبان. مجله تحقیقات مالی، شماره 14، ص 69-84.
ملکی، رضا و مداحاصل، آزاده. (1387). عرضه عمومی اولیه IPO . بورس اوراق بهادار تهران.
Basti, E. (2015). Analyaing initial public offerings’ short-term performance using decision tree and svm. Decision support systems, 73, 15-27.
Ljungqvist, A (2005). IPO Underpricing. Tuck School Of Business at Dartmouth , handbook of corporat finance : empirical corporate finance , 1 )12(.
Moli, M and Migliorati,K. (2014). Forecasting winner IPOs. Investment Analysts Journal , 79.
Kohavi, R. (1995). A study of cross-validation and bootstrap for accuracy estimation and model selection , Proceedings of the 14th International Conference ,l , 1137-1145.
Kohavi, R and Provost, F. (1998). Editorial for the Special issue on applications of machins learning and the knowledge discovery prosecc. machine learning 30 , 2, 271-274.
Ceren, R and Richardson, W. (2016). Predicting IPO Performance from Nearest Neighbors Using TF-IDF Weighted Word Count Vectors. Department of Computer Science, Athens, GA 30602.
esmaeili, Z., abbasi, E., & fallahshams, M. (2018). Prediction of initial public offering short-term performance using nearest neighbor and support vector machine models. Financial Management Perspective, 8(21), 9-27.
MLA
zahra esmaeili; ebrahim abbasi; mirfaiz fallahshams. "Prediction of initial public offering short-term performance using nearest neighbor and support vector machine models", Financial Management Perspective, 8, 21, 2018, 9-27.
HARVARD
esmaeili, Z., abbasi, E., fallahshams, M. (2018). 'Prediction of initial public offering short-term performance using nearest neighbor and support vector machine models', Financial Management Perspective, 8(21), pp. 9-27.
VANCOUVER
esmaeili, Z., abbasi, E., fallahshams, M. Prediction of initial public offering short-term performance using nearest neighbor and support vector machine models. Financial Management Perspective, 2018; 8(21): 9-27.
)