برآورد نمایه خطر بازگشت سرمایه گذاری مخاطره آمیز

نویسنده: علی کریمی

این مطالعه شبکه های عصبی آبشار را برای برآورد پارامترهای مدل Cox-Ross-Rubinstein روش خنثی خطر را پیشنهاد می کند که، به نوبه خود نمایه بازده ریسک شرکت ها در سرمای گذاری مخاطره آمیز و دور تامین مالی عرضه اولیه عمومی (Ipo) را توضیح می دهد. ترکیب دو روش دقت برآورد بهتری نسبت به خطر تنظیم روش های ارزش گذاری، شبکه های عصبی معمولی، مدل معیار خطی را می دهد.این یافته هادر سراسردر نمونه و آزمون خارج از نمونه با استفاده این سرمایه مخاطره آمیز 3926 و 1360usipo دور تامین مالی بین ژانویه 1989 و دسامبر 2008، مداوم هستند.برآورد های صحیح بیشتر نمایه ریسک بازده به علت نرخ بدون ریسک کمتر ناهمگن بازده ای چارچوب ریسک خنثی هستند.شبکه های عصبی آبشار هر دو فرم برآورد تابعی خطی و غیرخطی، افزون بر درنظرگرفتن اثرات متقابل متغیر را بهم می پیچاند. دقت برآورد بهتر نمایه بازده ریسک برای سرمایه گذاران مطلوب است بنابراین آنها می توانند قضاوت آگاهانه تری قبل از سرمایه ارتکاب در مرحله های مختلف توسعه و تامین مالی دوره های مختلف را بسازند.

مقدمه
این مطالعه شبکه های عصبی آبشار را برای برآورد پارامترهای مدل Cox-Ross-Rubinstein1979 روش ریسک خنثی که، به نوبه خود نمایه بازده ریسک شرکت ها در سرمایه گذاری مخاطره آمیز و دور تامین مالی عرضه اولیه عمومی (Ipo) را توضیح می دهد. شبکه های عصبی آشکاری هر دو فرم برآورد تابعی خطی و غیرخطی را می پیچاند. در این مطالعه، من روش ریسک خنثی را با تکنیک شبکه عصبی آبشاری مقایسه می کنم و دقت برآورد را با روش های ارزیابی ریسک تنظیم شده، شبکه های عصبی معمولی، و مدل های نشان خطی، مقایسه می کنند.برآورد نمایه ریسک بازده خصوصی، شرکت های برگزار شده در مراحل مختلف توسعه و دور تامین مالی، سخت است.استفاده تکنیک های ارزیابی خطر تنظیم شده گیج کننده هستند زیرا مدل قیمت گذاری دارایی های معمولی همچون مدل قیمت گذاری دارایی سرمایه (CAPM) برروی داده های تجاری در بازار سهام تکیه می کند. گرچه، شرکت های خصوصی برگزار شده فهرست بازار سهام ندارند. همچنین نمایه بازده ریسک مخاطراتی جدید، همانگونه که آنها در میان راه های مختلف توسعه و دورهای تامین مالی مختلف پیشرفت می کنند، تغییر می کنند. شرکت های متعلق به بخش خصوصی هیچ تعهدی برای فاش کردن اطلاعات به مقدار سرمایه اختصاص داده شده و ارزششان در دورهای تامین مالی ندارند. برآوردهای منتشر شده نرخ های تنظیم شده ریسک نادر هستند. Young , Rahnka (1987، 1991)، Wetzel (1981) در میان مطالعات اندکی به انتشار برآوردهای نرخ های تنظیم شده ریسک بازده بای مراحل مختلف توسعه هستند.برای حل کردن محدودیت های مرتبط با روش های ارزیابی تنظیم شده ریسک معمولی، نوشته ها (آثار) روش های جایگزینی برآورد نمایه ریسک بازده سرمایه مخاطره آمیز و دورهای مالی Ipo را سند می کند. یکی از خطوط آثار صحنه تامین مالی تکیه می کند. صحنه تامین مالی، ویژگی برجسته ای مانند شرکت های مخاطره آمیز جدید پیشرفته در میان مراحل توسعه مختلف است. در صحنه تامین مالی، سرمایه گذاران یک انتخاب دارند، اما هیچ تعهدی برای سپردن سرمایه در دورهای تامین مالی متوالی نیست؛ داشتن انتخاب همچون ویژگی های قادر سازی سرمایه گذاران برای سهیم کردن ریسک با شرکت ها، به حداقل رساندن هزینه های نمایندگی و عدم تقارن اطلاعات، در حالی که برخی کنترل بر شرکت را حذف می کند، نیست. این انتخاب ها همچون خصوصیات، این مطالعه برای تخمین نمایه بازده ریسک با کمک از چارچوب خنثی ریسک Cox-Ross-Rubinstein را قادر می سازد. این راه چندین سود دارد. نرخ بدون ریسک بازده است از برآمدهای نرخ های تنظیم شده ریسک بازده برای مراحل مختلف توسعه و دورهای تامین مالی مختلف کمتر ذهنی است؛ از این رو، روش ریسک خنثی (انازه گیری تعادل) می بایست برآمد خطاهای کمتری داشته باشد زیرا نرخ بدون ریسک بازده، کمتر ناهمگن مقایسه شده با نرخ های تنظیم شده ریسک بازده هستند. این تاکیدات (پافشاری ها) با یافته ها در آثار سازگارند، برای مثال، Sepa, laamanen (2001) . در مطالعاتشان، دقت برآورد روش ریسک خنثی، به طور کلی، هنگامی که به روش تنظیم شده با ریسک مقایسه شده است، بهتر است.
در حالت ایده آل، ویژگی های به احتمال زیاد به تاثیر بر پارامترهای مدل روش Cox-Ross-Rubinstein باید مبتنی بر متغیر های در دسترس به سرمایه گذاران در دورهای تامین مالی باشد. برای مثال، Sepa, laamanen (2001) از مرحله توسعه، تعدادی از دورهای تامین مالی قبلی به دور اخیر، مقدار سرمایه اختصاص داده شده، و طول زمانی بین دورهای تامین مالی استفاده می کند. Casamatta , Haritchabaler (2007) ذکر کردند که سطح پیوند سرمایه گذاری، فرآیند غربالگری (آزمایش) را بهبود می بخشد و بنابراین به کاهش عدم تقارن اطلاعات درباره ارزش شرکت در دورهای تامین مالی کمک می کند. براین اساس، Admak, Pfleiderer (1994) از سطح پیوند به گواهی ارزش شرکت و ریسک استفاده کردند. Hanley (1993) تعدیل جزئی در پیشنهاد قیمت بین پرکردن دفترچه مقدماتی و نهایی، برای توضیح بر قیمت گذاری در دورهای تامین مالی Ipo، استفاده می کرد. Lener, Compers (2000) یک ارتباط بین ارزش ها معامله سهام خصوصی و عملکرد بازار سهام کل یافت.
Loughran, Ritter (2004), Lowry (2003), Yung,Çolak, Wei (2008)دو حقیقت تصنعی از آثار Ipo یافت کردند. اول، Underpricing (افزایش در ارزش سهام از قیمت عرضه اولیه به قیمت بسته شدن روز اول) و مسئله حجم بسیار همبسته است. دوم، یک همبستگی مثبت بین دو سری وجود دارد. به طور سنتی، نوشته ها (آثار) از رگرسیون خطی چند متغیره برای برآورد نمایه ریسک بازده استفاده کردند.این مطالعات از امکان غیر خطی جلوگیری می کنند. هیچ مطالعه قبلی شبکه عصبی مصنوعی ای متن حاضر را با وجود درخواست تجدید نظرگسترده به عنوان داده محور، عملکرد جهانی تقریبی در انتخاب قیمت گذاران اعمال نکرده است، برای مثال Hutchinson, Lo, Poggie (1994) از شبکه های عصبی برای (یاد گرفتن) گزینه فرمول قیمت گذاری Black-Scholes استفاده می کنند. در تجزیه و تحلیلشان، شبکه های عصبی مصنوعی دقت ارزیابی برآورد بیشتری را زمانی که دارایی زمینه ای قیمت گذاری پویا شناخته شده هستند یا زمانی که فرمول گزینه قیمت گذاری به صورت تحلیلی نمی تواند حل شود، فراهم می کند.همچنین از آثار میدانیم که معماری شبکه عصبی آبشاری می تواند به طور بالقوه دقت برآورد بهتری را فراهم کند. برای مثال، Malik, Nasereddin (2006) گزارش می دهند که شبکه های عصبی آبشاری خطاهای برآورد کمتری نسبت به شبکه های عصبی مصنوعی هنگامی که تولید ناخالص داخلی اقتصاد را برآورد می کند، دارند. نه استفاده از چارچوب Cox-Ross-Rubinstein نه استفاده از شبکه های عصبی آبشاری جدید هستند. سهمی از این مطالعه در ترکیب این دو روش قابل قبول است. این روش جدید دقت برآورد بهتری از نمایه ریسک بازده در دورهای تامین مالی نسبت به مدل معیار فراهم می کند. دقت برآورد بهتر برای سرمایه گذاران مطلوب است بنابراین آنها می توانند قضاوت آگاهانه تری قبل از اختصاص دادن سرمایه در دورهای مالی متفاوت سازند.من از روش Cox-Ross-Rubinsteinبرای تخمین احتمال ریسک خنثی یک تاجنبش در ارزش شرکت بین دورهای تامین مالی متوالی، استفاده می کنم. جای تعجب داشت که چارچوب خنثی ریسک توجه بیشتری در آثار علی رغم تکیه بر نرخ های بدون ریسک بازده، جلب نکرده است. آنها کمتر درونی (خصوصی) و کمتر ناهمگن نسبت به برآورد نرخ های تنظیم شده ریسک بازده هستند.
در این مقاله، من قبلا از شبکه های عصبی برای برآورد پارامترهای مدل Cox-Ross-Rubinstein استفاده کردم. در معماری آبشاری، محقق گره های مخفی را عملی نمی کند (به اجرا در نمی آورد). آنها توسط اطلاعات درون زا پس از معنای حقیقی یادگیری شبکه خنثی را تعیین می کنند.دانش عصبی به داده ها اجازه می دهد، تصمیم بگیرد که رابطه اساس حقیقی بین متغیرها است. من دقت برآورد شبکه های عصبی آبشاری را به شبکه های عصبی معمولی و مدل های نشانه خطی مقایسه می کنم. مدل های رگرسیون خطی برای غیر خطی و اثرات متقابل متغیر حساب نمی شوند مگر اینکه آنها قبلا مشخص شوند. دراین مطالعه، شبکه های عصبی، فرم های کاربردی بدون محدودیت را ترک می کنند و اجازه می دهد که داده تعیین کند چه شکل عملکرد حقیقی است. مدل های ضخیم شبکه های عصبی هستند که بر ارتباطات مختلف نورون، تعداد نورون ها، ارزش شروع اولیه شبکه و میانگین برآورد کم رنگ، تکیه دارند.در مقابل با مطالعات قبل، من تستی خارج از نمونه برای سنجش دقت برآورد ریسک بازده روش های مختلف با استفاده از ارزش های ey ante (حول و حوش سابق) و ey posl، انجام دادم.
Seppa, Laamanen (2001) تنها مقایسه در نمونه را برای سنجش دقت برآورد (تخمین) انجام دادند. این روش های محدود شده می توانند اعتبار یافته هایشان را تضعیف کنند. بنابراین، این مطالعه یک آزمون واقعا اسیدی بر عملکرد مدل توسط استفاده از داده های غیر قابل مشاهده، که بخشی از مجموعه برآوردی نیستند، فراهم کند.علاوه براین، من از یک مجموعه داده US واحد از سرمایه مخاطره آمیز 3926 و 1360 عرضه عمومی اولیه دورهای تامین مالی که یک لیست بر تبادل موجودی US بین ژانویه 1986 و دسامبر 2008 بدست آورده است، استفاده می کنم. این نمونه، از این رو، بیش از هر دو مقدار مطلق مشاهدات و دوره تحت بررسی درSeppa, Laamanen (2001) است. نمونه من 31 بخش صنعتی را با استفاده 48 طبقه بندی صنعتی از Fama, French (1997) ارائه می دهد؛ به علاوه، این بخش های مطالعاتی داده به سرمایه مخاطره آمیز و دورهای تامین مالی Ipo برای منعکس کردن نمایه بازده ریسکند. این اجازه می دهد که تجزیه و تحلیل حاضر شامل متغیر های قبلا تست شده مرتبط با تعدیل جزئی پیشنهاد قیمت در Hanley (1993) و سطح پیوند در Admati, Pfleiderer (1994) شود.به طور کلی، یافته های من نشان می دهد که ترکیب روش ریسک خنثی با متولوژی شبکه عصبی آبشاری دقت تخمین بهتر نمایه ریسک بازده نسبت به روش های ارزیابی تنظیم شده، شبکه های عصبی معمولی و روش های نشانه خطی را فراهم می کند. یافته ها در مقابل تست های خارج از نمونه و در نمونه مداومند.

2. مدل Cox-Ross-Rubinstein
من از روش های Cox-Ross-Rubinstein و مقدار ارزش ثابت ey posl برای بدست آوردن نمایه ریسک بازده در دورهای مالی استفاده می کنم. ارزش ثابت ey posl، ارزش پس از پول (posl-money) را منعکس می کند و شامل سرمایه اختصاص داده شده در هر دور تامین مالی است. مقدار ثابت  در شروع مرحله s میتواند به  افزایش یابد یا به  نسبت به یک دوره (t,T) کاهش یابد. تعریف تاجنبش در ارزش (مقدار) ثابت Us:
فراهم می کند که Us>1 است. پایین حرکت (down-movement)  است و باید را راضی کند. U و d به محاسبه اجازه می دهند که احتمال موفقیت ریسک خنثی یک بالا-جنبش (up-movement) p را برای هر مرحله s که در ادامه آمده است را اشاره کند:
جایی که به طور مداوم نرخ لایحه خزانه بدون ریسک مرکب را نشان می دهد. مطالعه (2) نشان می دهد که بازده بالاتر احتمالات خنثی ریسک کمتری دارد. ارزش ثابت در شروع مرحله s، توقع کاسته شده تحت توزیع احتمال ریسک خنثی (Ps , 1-Ps) از ارزش (مقدار) ثابت در حالت بالا یا پایین در زمان t است:
تنزل (کاهش) در نرخ بدون ریسک بازده نسبت به دوره (t,T) است. احتمال ریسک خنثی ، اندازه پروکسی برای ریسک است، در حالیکه بالا حرکت (up-movement) در مقدار ثابت ، اندازه پروکسی برای بازده است.چارچوب Cox-Ross-Rubinstein در متن حاضر مفید است. اول، مدل جداسازی متوالی دورهای تامین مالی را به مراحل دو جمله ای فردی (اختصاصی)، اجازه می دهد. نیاز افشای داوطلبانه دورهای تامین مالی pre-Ipo در مورد مشکل اطلاعات ناقص بر معادلات سرمایه و ارزش های ثابت را به ارمغان می آورد. اطلاعات ناقص برای دورهای تامین مالی متوالی، تجزیه و تحلیل مرکب مدل های انتخاب قیمت گذاری خام را می سازد. دوم، شرکت ها یک الگوی تامین مالی یکسان را ادامه نمی دهند همانگونه که آنها در میان مراحل مختلف توسعه پیشرفت می کنند.
برخی از شرکت ها در بالا بردن کافی تامین مالی برای از قلم انداختن سراسر مراحل توسعه، موفق هستند. در حالیکه دیگر شرکت ها نیازمندند چندین تزریق سرمایه برای توسعه تک مرحله ای هستند.چارچوب دو جمله ای می تواند با توجه به هر تعداد از دورهای تامین مالی به اقتباس درآید. سوم، چارچوبCox-Ross-Rubinstein در مراحل زمانی مجزا عمل می کند. این یک موقعیت ضروری برای تجزیه و تحلیل اخیر است، زیرا ارزش در دورهای تامین مالی متوالی تنها در نقاط زمانی مجزا قابل مشاهده است.برای معتبر ساختن دقت برآورد چارچوب Cox-Ross-Rubinstein، من بازده ex ante،  را برای هر مرحله s توسط باز آراستن معادله (2) محاسبه می کند.جایی که  احتمال ثابت ریسک خنثی است. اول، من برای تخمین مقدار  قبل از اینکه بتواند  را محاسبه کند، برآورد کنم.احتمال ثابت ریسک خنثی  از پارامترهای مدل ثابت و مقدار متغیرهای وابسته بدست آمده از برآورد در نمونه، می آید. برای مدل رگرسیون خطی، ضرایب رگرسیون، پارامترهای مدل ثابت هستند. در مورد شبکه های عصبی ارتباط وزنی بدست آمده در طول آموزش عصبی (تعلیم)، پارامترهای مدل ثابت هستند.متغیرهای مستقل استفاده شده برای برآورد احتمال های ریسک خنثی در هر دور تامین مالی شامل مرحله توسعه، تعداد دورهای مالی قبلی، طول زمان بین دورهای تامین مالی و سطح پیوند سرمایه گذار هستند. پیشنهاد قیمت و تعدیل جزئی در پیشنهاد قیمت، دو متغیر اضافی مستقل برای نوضیح احتمالات ریسک خنثی در دورهای مالی Ipo هستند.بازده بر بازار سهام، میانگین تحت قیمت گذاری کل و تعداد کل پیشنهادات عمومی ابتدایی هستند، کنترلی برای موقعیت های بازار هستند. برای معتبر سازی دقت برآورد چارچوب Cox-Ross-Rubinstein، من محاسبات را در معادله (2) و (4) با برآوردهای نرخ های تنظیم شده ریسک بازده ازRuhnka, Young (1987,1991) تکرار می کنم.

3. داده
Thomson Reuters، کارشناس سرمایه گذاری و مسائل جدید پایگاه داده شامل داده بر سرمایه و دورهای تامین مالی Ipo است. کارشناسی سرمایه گذاری داده بر معادلات سرمایه، شامل ارزیابی های پس از پول، سرمایه تعدیل شده، تعدادی از سرمایه سرمایه گذاران، صنعت طبقه بندی شرکت، تاریخ برای هر دور مالی را فراهم می کند. به علاوه، کارشناس سرمایه گذاری طبقه بندی برای هر مرحله مختلف توسعه را عرضه می کند. سرمایه گذاری های مرحله بعدی به طور معمول، سرمایه به شرکت ها با تاسیس محصولات یا خدمات فراهم می کند. این دور به طور معمول تاریخ و زمان آخرین منبع بودجه را قبل از سرمایه شرکت های موجود از سرمایه گذاری هایشان در میان فروش تجاری یا Ipo را تشکیل داده اند.مسئله جدید پایگاه داده، داده به پیشنهادات عمومی اولیه، شامل پیشنهاد قیمت، تغییرات مرتبط بین پیشنهاد قیمت واقعی و قیمت مورد انتظار از دفترچه مقدماتی پیشنهاد محدوده قیمت را عرضه می کند.توماس راوتر 3926 Us پیش-Ipo سرمایه گذاری دوره های تامین مالی از 1360 شرکت های مورد حمایت سرمایه که از لیستی بین ژانویه 1986 و دسامبر 2008 بدست آمده را فراهم می کند.صفحه اینترنتی jay Ritter میانگین ماهانه تحت قیمت گذاری و تعداد پیشنهادات عمومی اولیه را فراهم می کند؛ جریان داده های مالی تامسون بازار سهام (Nasdaq) بازده و نرخ بدون ریسک بازده را فراهم می کند. برآورد نرخ های تنظیم شده ریسک بازده در مراحل مختلف توسعه از Ruhnka, Young (1987,1991) هستند. نرخ ها %8/54 برای مرحله اخیر، %2/42 برای توسعه و %35 برای مرحله بعد از توسعه هستند.
جدول 1 توزیع نمونه سالانه از نمونه دورهای تامین مالی را نشان می دهد. ستون (2) و (r) تعداد و درصد سرمایه گذاری دورهای تامین مالی را توسط تقویم سال ارائه می دهد. تعداد سرمایه گذاری دورهای تامین مالی از 1986 به جلو افزایش می یابد، در 1991 اوج می گیرد و سپس متعاقبا دوباره کاهش می یابد.ستون های (4) تا (9) تعداد و درصد سرمایه گذاری دورهای تامین مالی در مقابل حال حاضر، گسترش و مرحله بعد از توسعه را گزارش می دهد. مرحله گسترش برای %46/42 از مجموع سرمایه گذاری دورهای تامین مالی، ادامه یافته توسط مرحله اخیر (%96/28) و مرحله بعد از توسعه (%58/28) حساب می شود. توزیع سالیانه دورها در مقابل مراحل مختلف توسعه یک الگوی مشابه که به مجموع سرمایه گذاری دورهای مالی را ادامه می دهد. ستون های (10) و (11) تعداد و درصد دورهای تامین مالی Ipo توسط تقویم سال را فهرست می کند.توزیع پیشنهادات عمومی اولیه شبیه به سرمایه گذاری دورهای تامین مالی است. جدول 2 نمونه توزیع دورهای تامین مالی را در مقابل طبقه بندی صنعتی-48 Fama, French (1997) را نشان می دهد. جدول (I) صنعت را فهرست می کند. صنایع 38 خارج از 48 (%25/81) سرمایه گذاری و بودجه از پیشنهادات عمومی اولیه را جذب کرده است.
ستون های (2) و (3) مجموع تعداد و درصد سرمایه گذاری دورهای تمرکز تامین مالی را گزارش می دهد. سرمایه گذاریدورهای تامین مالی، 100- بالا در چند صنایع را نشان می دهد و خصوصیات سرمایه گذاری را منعکس می کند. پنج صنعت بالا شامل خدمات تجاری (%46/34)، محصولات دارویی (%30/5). این بخش برای بیش از یک ترکیب %75 از تمام سرمایه گذاری دورهای تامین مالی را حساب می کند. ستون های بین (4) و (9) تعداد و درصد مرحله اخیر، گسترش و مرحله بعد از توسعه را فهرست می کند. ستون های (10) و (11) تعداد حالت و درصد پیشنهادات عمومی اولیه در مقابل صنعتی است. تجمع پیشنهادات عمومی اولیه یک الگوی مشابه که به سرمایه گذاری دورهای تامین مالی است ادامه می یابد.جدول 3 متغیرها را فهرست می کند و جدول 4 خلاصه آماری را نمایش می دهد. نمونه شرکت ها یک احتمال میانگین لیست خنثی P از %38/32 برای سرمایه گذاری دورهای تامین مالی %73/28 برای دورهای تامین مالی Ipo دارند.

در مقابل، احتمال میانگین تنظیم شده ریسک q، %05/45 برای سرمایه گذاری دورهای تامین مالی و %42/39 برای دورهای تامین مالی Ipo است. نرخ میانگین تنظیم شده ریسک بازده در نهایت شش بار که نرخ بدون ریسک بازده در مقابل دورهای تامین مالی است. میانگین چند جمله ای برروی ارزش (مقدار) ثابت u، به ترتیب 305 و 409 برای سرمایه گذاری و دورهای تامین مالی Ipo است. U دگرگونی بالا دارد و پتانسیل رشد سریع بالا از نمونه شرکت ها را در مقابل مراحل مختلف توسعه را منعکس می کند. دراین مطالعه، احتمال ریسک خنثی P و احتمال ریسک تنظیم شده q، اندازه گیری های پروکسی برای بازده هست.متغیر ساختگی صفر و یک، مرحله اولیه توسعه دورهای تامین مالی را تصرف می کند. این خصوصیات متغیر تنها در برآورد ریسک بازده سرمایه گذاری دورهای تامین مالی است. تخصیص تصادفی از مشاهدات به آموزش، اعتبار سنجی و آزمون داده برای شبکه خنثی

جدول3. تعریف متغیر

تذکر: این جدول تعریف متغیرهای مستقل و وابسته است. این احتمال موفقیت ریسک خنثی P و احتمال موفقیت تنظیم شده ریسک q اندازه گیری های پروکسی برای ریسک بین دورهای تامین مالی هستند. چند جمله ای در بالا جنبش در ثابت u یک اندازه گیری پروکسی برای بازده بین دورهای تامین مالی متوالی است.همیشه تنوع کافی در ارزش این متغیر را ضمانت نمی کند. شرکت های نمونه من میانگین 6/2 دورهای تامین مال قبلی دورهای اخیر را دارند. سرمایه گذاران یک میانگین $3/32 Us میلیونی در دورهای تامین مالی سرمایه گذاری را تعدیل کرده است. میانگین سرمایه افزایش یافته در دورهای تامین مالی Ipo $7/71، Us است و از این رو بیش از دو مقدار برای دورهای تامین مالی سرمایه گذاری است. به طور متوسط از 5/1 سال و 3/1 سال بین دورهای تامین مالی برای سرمایه گذاری و پیشنهادات عمومی اولیه به ترتیب، طول می کشد. میانگین 4 سرمایه گذاران تعدیل شده سرمایه گذاری در دورهای تامین مالی قبلی به دور اخیر است. تعداد سرمایه گذاران، سطح پیوند را می گیرد. میانگین 5/4 سرمایه گذاران تعدیل شده سرمایه قبلی به دورهای تامین مالی Ipo است. میانگین پیشنهاد قیمت بر سهم $03/13 Us است. %82/5 تغییر قیمت مرتبط بین قیمت واقعی Ipo و قیمت مورد انتظار از دفترچه های اولیه محدوده پیشنهاد قیمت است. متغیر های باقیمانده بازار سهام و موقعیت های بازار مسئله جدید را جذب می کند.متوسط بازده Nasdaq

جدول 4. خلاصه آماری

تذکر: این جدول خلاصه آماری برای 3926 دورهای تامین مالی سرمایه گذاری (پانل  A) و 1360 دورهای تامین مالی  IPO (پانل  B) بین ژانویه 1986 و دسامبر 2008 را ارائه می دهد. جدول 3 تعریف های متنوعی را فراهم می کند.
این جدول خلاصه آماری برای دورهای مالی سرمایه گذاری، %4/18 و برای دورهای تامین مالی Ipo %4/20 است. میانگین تحت قیمت گذاری شرکت ها بدست آوردن یک لیست بازار سهام برای شرکت ها در سرمایه گذاری یا دورهای Ipo، مشابه است. متوسط 40 شرکت ها یک لیست بازار سهام در طول ماه دورهای سرمایه گذاری جاری را بدست آورده است، جایی که متوسط برای دورهای Ipo، 5/4 است.
اگرچه، مجموع داده های استفاده شده دراین مطالعه محدودیت دارد. تمام شرکت های نمونه سرمایه، سرمایه گذاری را بدست آوردند و در میان یک Ipo موفق رفتند. بنابراین، شرکت های نمونه بیشتر شبیه به داشتن یک افزایش در مقابل منجر به Ipo هستند.
این گرایش رو به بالا می تواند به طور بالقوه یافته های بالقوه را تحت تاثیر قرار دهد. تعادل بیشتر نمونه L افزایش مقدار ثابت بین دورهای تامین مالی می تواند براین تاثیر غلبه کند. متاسفانه، شرکت های خصوصی یرگزار شده بیشتر شبیه فاش کردن اطلاعات بر معاملات و ارزش هستند اگر مقدار ثابت افزایش یابد. این بیشتر رایج است به پنهان کردن اطلاعات برکاهش مقدار ثابت بین دورهای تامین مالی است؛ کاهش در مقدار ثابت می تواند سرمایه، سرمایه گذاری های آینده را تشویق کند. با این وجود، کارشناس سرمایه گذاری پایگاه داده یکی از بهترین مجموعه اطلاعات در دسترس عموم را ارائه می دهد.

4. مدل های برآورد
این بخش یک بررسی اجمالی از مدل های مختلف به برآورد پارامترهای مدل Cox-Ross-Rubinstein فراهم می کند. دراین مطالعه، من از مدل های رگرسیون خطی، پرسپترون چند لایه معمولی (MLP) شبکه های عصبی و شبکه های عصبی آبشاری را استفاده می کنم. MLP یک مدل برآورد غیرخطی خالص است، جایی که شبکه عصبی آبشاری هر دو فرم برآورد عملکردی خطی و غیرخطی را می پیچاند.

4.1. رگرسیون خطی (خطی)
جایی که P احتمال ریسک خنثی است برای هر دور تامین مالی s.x مجموع متغیرهای توضیحی i=1,…,i* است. مدت ثابت، ضریب رگرسیون و  واژه خطا هستند. آزمون Jarque و Bera (1980) برای حالت عادی و آزمون White (1980) برای heteroskedasticity، نشان می دهد که رگرسیون باقی مانده به خوبی رفتار نشده اند. تحولات متغیر نمی تواند مشکل را کم کند و از این رو آمار-t خطاهای استاندارد ثابت White (1980) heteroskedasticity و کوواریانس ها را استفاده می کند. آزمون ها Lee, White, and Granger (1993) (LWG) غفلت غیرخطی در رگرسیون باقی مانده را شناسایی می کند. بنابراین، از زمانی که فرم عملکردی از غیرخطی ناشناخته است و این مطالعه به شبکه های عصبی مصنوعی گزارش می دهد.

4.2. شبکه عصبی MLP
شبکه عصبی معمولی MLP(Rosenblatt 1961; Rumelhart, Hinton, Williams 1986) سومین مدل نشانه است. شبکه های عصبی الگو ای از اطلاعات اساسی در میان پردازش های عنصرهای مرتبط با یکدیگر را شناسایی می کند. این عنصرهای فرآیند (شناخته شده به عنوان نورون ها) در دو لایه مرتب شده اند: لایه ورودی و خروجی. تعداد نورون ها در لایه ورودی به تعداد متغیر های ورودی (مستقل) پاسخ می دهد، در حالیکه، تعداد نورون های خروجی در لایه خروجی به تعداد متغیرهای (وابسته) خروجی پاسخ می دهد. هدف مخفی لایه، شناسایی الگوی غیر خطی و اثر فعل و انفعال بین متغیرهای ورودی و خروجی است. هر نورون در لایه مخفی و سیگنال های لایه خروجی از دیگر نورون ها دریافت می کند، در حالیکه نورون های لایه ورودی سیگنال هایشان را از متغیرهای ورودی دریافت می کنند. قدرت سیگنال های ورودی از هر نورون در ارتباط وزنی ذخیره شده است. یک عمل انتقال دهنده غیرخطی پس برای جمع وزن ارتباط ورودی به سیگنال خروجی یک نورون نشان داده شده است (اعمال شده است).
جایی که T(nk,s) تابع فعال tansig است، i* متغیرهای ورودی x و k* تعداد نورون ها است. ترکیب خطی متغیرهای ورودی xi,s, i = 1, . . . , i∗ و برای هر مرحله s، که وزن های ورودی ωk,i, i = 1, . . . , i∗ و فرم وزن ثابت تحت تاثیر wk,0، متغیر nk,sاست. تابع فعال متغیر nk,sبه قبول کردن مقدار Nk,sبرای هر مشاهده s را رد می کند. وزن تحت تاثیر خروجی نورون است.
آموزش نورون (تدریس) مقدار بهینه از اتصال واقعی وزن به حداقل رساندن خطای برآورد بین متغیرهای ورودی و خروجی را تعیین می کند. حالت های آموزش از وزن های تصادفی اولیه است. آموزش الگوریتم وزن های مکرر به حداقل رساندن تفاوت بین تولید کننده خروجی و ورودی مطلوب متغیر وابسته را تعدیل می کند. مطابق با روش معمول، من داده را به مجموع آموزش، اعتبار متقاطع مجموعه ای، مجموعه تست تقسیم می کنم.
هدف از مجموعه آموزش، برآورد ارتباط وزن است. اعتبار متقاطع مجموعه از فرآیند آموزش را تحت نظر می گیرد و آموزش را به زودی برای افزایش برآورد خطا، را برای جلوگیری بیش برازش یک مدل به داده، خاتمه می دهد. درنهایت، مجموع آزمون اجزای برآورد بر داده های غیرقابل مشاهده قبلی را ارزیابی می کند.اگرچه، یک چالش در معماری MLP بوجود می آید زیرا محقق نیاز به تصمیم گیری بر ارتباط نورون ها در لایه مخفی دارد. تصمیم گیری براین ارتباط مستقیما بر اثرات اجرای برآورد را دارد. معماری شبکه عصبی آبشاری، ارتباط نورون ها از داده به جای دانش این اجرا توسط محقق را تعیین می کند.

4.3. شبکه عصبی آبشاری (آبشاری)
من از معماری شبکه عصبی آبشاری به عنوان اختصاص داده شده در Fahlman, Lebiere (1990) استفاده می کنم. دراین معماری، متغیرهای ورودی تنها وصل شده درمیان لایه های مخفی عملکرد squashed tansig نیست، اما همچنین ارتباط خطی مستقیمی با متغیر خروجی دارد.
معماری آبشاری هر دو MLP و مدل خطی را به هم می پیچاند. این پیکربندی برای امکان عملکرد مرکب ترکیب خطی و غیرخطی اجازه می دهد. شبکه های عصبی آبشاری به طور ویژه در موقعیت ها که روشن است هیچ انتظار قبلی در مورد فرم های کاربردی زمینه وجود ندارد، مفید است. در شبکه عصبی MLP معمولی، نیاز به تعیین تعداد از نودهای مخفی و ارتباطشان با به حداقل رساندن خطای برآورد دارند. در معماری آبشاری، نودهای مخفی توسط داده درون زا تعیین شده اند و توسط محقق اجرا نمی شوند. آموزش آبشاری با هیچ نورون مخفی شروع می شود. تنها ارتباطات مستقیم های بین نود ها در لایه خروجی و ورودی هستند. نودهای مخفی کلی اضافه شده در زمان هستند و برآورد خطا دوباره محاسبه شده است. الگوریتم آبشاری نودهای مخفی اضافی را تا هیچ بهسازی ای در تخمین اجرای جای گرفتن اضافه می کند.

4.4. مدل کارایی
در این مقاله، معیار اطلاعات Hannan, Quinn (1979) (HQIFC) در مدل فرآیند ساختن به آزمون دقت برآورد استفاده می کنم. اندازه گیری HQIFC خطای برآورد برای تعداد پارامترهای مدل را تنبیه می کند. بیشتر مدل های شبکه عصبی پیچیده یک افزایش تعداد از پارامترهای مدل را زمانی که مدل های رگرسیون خطی مقایسه شده است را دارد. اندازه گیری HQIFC، از این رو برای مقایسه برآورد بهتر بین پیچیدگی مدل مختلف را اجازه می دهد. من این تکنیک های مدل ضخیم Granger, Jeon’s (2004) که بر میانگین برآورد کمرنگ از شبکه های عصبی مکرر آموزش یافته تکیه می کند. این روش برآورد پایداری در مقابل معماری های مختلف را فراهم می کند. به علاوه بر اندازه گیری HQIFC، من همچنین اندازه گیری های عملکردی (اجرایی) سنتی، شامل جمع مربع خطاهای برآورد (SSE)، میانگین خطای مربع شده (MSE) و ضریب تعیین (R-squared)، استفاده می کند.

4.5. تست اهمیت متغیر
دراین مطالعه، من آزمون اهمیت متغیر به مالیات مربوط به متغیرهای توضیحی در مقابل تمام مدل های برآورد را انجام می دهم. در ارتباطات غیر خطی، فرم عملکردی بین متغیرهای توضیحی و وابسته تنها مستلزم آن است که گوناگونی انتظار موقعیتی با افزایش مقدار در متغیرهای مستقل، هستند. روش در آزمون های اهمیت متغیر مورد استفاده در تجزیه و تحلیل رگرسیون خطی است، بنابراین، در تعیین پیوند یا عملکردهای غیرخطی متناوب مفید نیست. به جای آن، من اصابت متغیرهای توضیحی بر حساسیت مدل متناسب را به عنوان حمایت شده درRefenes, Zapranis (1999) را تجزیه و تحلیل می کنم. من HQIFC را به عنوان مدل تناسب اندازه گیری حساسیت استفاده می کنم. یک متغیر توضیحی تنها اگر گنجایش آن منجر به یک پیشرفت در HQIFC است، مهم است. من گوناگونی نمونه HQIFC را توسط میانگین نمونه گیری دوباره با جایگزینی (خود راه انداز) برای بدست آوردن احتمال شدت عملکردی تجربی، محاسبه می کنم. آزمونی که متغیر به طور آماری مهم است. فرمH0: HQIFC(x ) = HQIFC را در مقابل جایگزینی HA: HQIFC(x ) < HQIFC می گیرد و t-test را درگیر می کند.

4.6. آزمون خارج از نمونه
من روش خود راه انداز 632/0 را برای اعتبارسازی خطای برآورد مدل های مختلف اعمال می کنم. این روش مبتنی بر Efron (1979, 1983) است. من خطای برآورد در نمونه  را به عنوان تفاوت بین مقدارهای واقعی و ثابت از پارامترهای مدل های مختلف و عملکرد تقریبی f را برآورد می کنم.
به عنوان جایی که  مقدار واقعی، F(0) مقدار تخمین زده شده،  از پارامترهای رگرسیون ثابت ،  متغیرهای مستقل با استفاده از طول نمونه F از مجموع برآوردی اخیر است. روش خود راه انداز طرح مشاهدات n با جایگزینی از طول نمونه اصلی n را درگیر می کند و این مشاهدات را به مجموع برآوردی جدید Q اختصاص می دهد. من از Q برای تخمین پارامترهای مدل استفاده می کنم. برخی از مشاهدات در Q تکرار خواهد شد، درحالی که دیگران برگزیده نخواهند شد. مشاهدات انتخاب نشده آزمون مجموعه داده خارج از نمونه را اختصاص می دهند.
وزن 632/0 و 368/0 از احتمال مشاهدات پایان یافته در برآورد مجموعه داده خارج از نمونه می آید. برای مثال: مشاهده مشخص احتمالی از  کم از مجموع برآورد برداشته نشده دارد. بنابراین برای یک مجموعه داده بزرگ احتمال پایان یافتن مجموع داده ای خارج از نمونه بعد از طرح های m با جایگزینی تقریبا هست.از معادله 17 که تقریبا %2/63 از مشاهدات پایان یافته برآورد مجموعه داده ای در هریک از تکرار خود راه انداز ادامه می یابد. متاسفانه برآورد خطای 632/0 یک توزیع تعریف شده خوبی را ادامه نمی دهد. بنابراین من نمی توانم استفاده کنم. اگر  از مدل T بطور چشم گیری متفاوت از  از مدل U.
من سبک خود راه انداز (632/0) (Br) را برای اندازه گیری برآورد خطاهای (ضخیم) مرتبط با اونی که از مدل های نشانه خطی بدست آمده را محاسبه می کند مقدار (Br) کمتر از آنی است که یک دستاورد برای مدل های ضخیم نسبت به رگرسیون های نشانه خطی نشان می دهد. به علاوه برای اندازه گیری (Br)، من SSE، MSE خطای مربع شده میانگین ریشه (RMSQ) خطای کامل میانگین (MAE) و ضریب ارتباط (R) بین مقدارهای (ex-ante) و (ex-post) را استفاده می کند.من مدل های برآورد ارائه شده دراین را برای برآورد احتمال یک بالا جنبش در مقدار ثابت، استفاده می کنم. یک تقریب صحیح از احتمالات موفقیت یک مرحله واسط مهم است. احتمالات ثابت برای محاسبات بازده (ex-ante) از مدل Cox–Ross–Rubinstein در معادله 4 مورد استفاده قرار می گیرد.

5. یافته ها
دراین مقاله من استدلال می کنم که برآورد پارامترهای مدل Cox–Ross–Rubinstein با شبکه های عصبی آبشاری، دقت برآورد بهتری از نمایه ریسک بازده نسبت به روش های ارزیابی ریسک تنظیم نشده، شبکه های عصبی معمولی، مدل های نشانه خطی را فراهم می کند. یافته ها در مقابل آزمون های خارج از نمونه و در نمونه با استفاده از سرمایه 3926 و دوره های تامین مالی US IPO بین ژانویه 1989 و دسامبر 2008 مقاوم هستند.اگرچه برآورد خطا درمقابل اندازه گیری های عملکرد مختلف با ارتباط بالا باقی می ماند. برآورد خطاهای زیاد با مشاهدات رایج از سرمایه گذاری های جدیدی که می تواند نتیجه های افراطی در ریسک و بازده داشته باشد مقاوم هستند.

جدول5. عملکرد مدل در نمونه

تذکر: این جدول های عملکرد مدل در نمونه برای توضیح احتمالات ریسک خنثی از 3926 سرمایه گذاری دوره های تامین مالی (پانل A) و 1360 دوره های تامین مالی IPO (پانل B) را بین ژانویه 1986 و دسامبر 2008 ارائه می کند. مدل های برآورد رگرسیون خطی (خطی) از معادله 5 هستند، شبکه های عصبی MLP از معادله 8 و شبکه های عصبی آبشاری (آبشاری) از معادله 11 هستند. امکانات عیب شناسی در نمونه شامل آزمون jB از حالت عادی باقی مانده ها، آزمون غیرخطی LWG، HQIFC، MSE، SSE و ضریب تعیین (R-squared) هستند.

5.1. عملکرد در نمونه
جدول 5 عملکردهای مدل در نمونه از مدل های تخمین برای توضیح احتمالات ریسک خنثی از یک بالا جهش در ارزش ثابت در دوره های تعیین مالی ارائه می دهد.برآورد شبکه عصبی آبشاری صحیح تر است نسبت به MLP و مدل نشانه خطی هستند. این یافته ها از زمانی که شبکه های عصبی آبشاری هر دو مدل برآورد خطی و غیرخطی را می پیچاندباعث تعجب نیست. خارج از عملکرد شبکه های عصبی آبشاری در مقابل تمامی سرمایه گذاری های دوره های مالی (پانل A) و دوره های تامین مالی IPO (پانل B) را مجبور می کند. HQIFC، MSE، SSE کمترین مقدارها را دارند، در حالی که ضریب تعیین (R-squared) بیشترین مقدارها را دارد. ضریب های تعیین مقدارهای مشابه به (R-squared) برازش شده در Seppä, Laamanen (2001) را دارد.MSE تایید می کند تعدیل فرعی در پیشنهاد قیمت (Hanley1993) برآورد قیمت را اگر ما پیشنهادهای دوره های مالی عمومی اولیه (پانل B) را با سرمایه گذاری دوره های تامین مالی (پانل B) را مقایسه کنیم، بهبود می یابد. هر دو آزمون JB و  Lee–White–Granger نشان می دهد که باقی مانده ها در مقابل تمام مدل های برآورد به خوبی رفتار نشده اند. آزمون LWG حضور سرسری نشده غیرخطی در باقی مانده مدل های رگرسیون خطی را نشان می دهد. در  (پانل A)، ما می توانیم کاملا خطی را رد کنیم، در حالی که در (پانل B) 302 خارج از 001/0 تصادفی تولید نشده ترکیبات غیرخطی از متغیرهای پیشگو در توضیح باقی مانده های مدل نشانه خطی، مهم هستند. آزمون JBحالت عادی باقی مانده ها را درمقابل تمامی مدل های برآورد رد می کند. این نتیجه ماهیت واقعی نمایه ریسک بازده از دوره های تامین مالی IPO و سرمایه گذاری را منعکی می کند. تغییر در نمایه ریسک بازده برای این نوع از شرکت ها بسیار زیاد است.

جدول6. آزمون متغیر مهم

تذکر: این جدول اهمیت آماری متغیرهای مستقل را برای توضیح احتمالات موفقیت ریسک خنثی را ارائه می دهد نمونه شامل 3926 دوره های تامین سرمایه گذاری مالی (پانل A) و 1360 دوره های تامین مالی IPO (پانل B) بین ژانویه 1986 و دسامبر 2008 است. مدل های برآورد رگرسیون خطی از معادله 5، شبکه های عصبی MLP از معادله 8 و شبکه های عصبی آبشاری از معادله 11 هستند. مبتنی بر استنتاج جزئی از متغیرهای وابسته،  هستند. آمار t، خطاهای مقاوم White’s (1980) heteroskedasticity و کوواریانس هستند. مقدارهای جدا کننده رگرسیون گزارش نشده اند.آزمون b که متغیر مستقل مهم آماری است مبتنی برH0: HQIFC(xi) =HQIFC در مقابل جایگزینیHA: HQIFC(xi) <HQIFC و در t-test درگیر می شود.هر p-values از عملکردهای شدت تجربی و تجزیه و تحلیل خود راه اندازی محاسبه می شوند.جدول 6 نتایج آزمون تغییر متغیر را نشان می دهد، روش ریسک خنثی با پیش بینی مدرن بر خصوصیات ریسک بازه از سرمایه گذاری و پیشنهاد عمومی دوره های اولیه تامین مالی ثابت هستند. تمام متغیرها در مدل برآورد از نظر آماری معنی دوری در سطح %10 هستند برای آن متغیرها که ازنظر آماری معنی داری نیستند آزمون حذف متغیر بدتر شدن در دقت برآورد را زمانی که مانع شده است را نشان می دهد بنابراین این متغیرها در مدل نهایی باقی می ماند اگرچه شبکه های خنثی متغیرهای پیشگویی کمتری دارند، برآورد این مدل ها صحیح تر از برآورد رگرسیون های خطی است. عملکرد بهتر شبکه عصبی آبشاری متناسب با توانایی هایش برای حساب کردن اثر متقابل با همدیگر با فرم عملکردی خطی و غیرخطی است. اهمیت متغیرها روی هم رفته ثابت با دانش موجود از دوره های تامین مالی سرمایه گذاری، IPO است. داشتن نظر آماری معنی داری از متغیرهای مهم یک مرحله واسطه مهم در تعیین احتمالات ex-anteو به نوبه خود ex-anteبالاجنبش در مقداری ثابت است.
تنها تجزیه و تحلیل رگرسیون به اظهارات اجازه می دهد که درمورد جهت رابط بین احتمالات ریسک خنثی و متغیرهای  مستقل ساخته شود. آزمون اهمیت متغیر در شبکه های عصبی، آزمون فرضیه را از هیچ الگوی اساسی درگیر می کند و متغیر به اشتباه مدل های برآورد را وارد می کند. سرمایه گذاری مرحله اخیر اعمال ریسک بیشتری نسبت به شرکت ها در مراحل بالای توسعه را دارد. دوره های تامین مالی مکرر بیشتر، افزایش تعداد سرمایه گذاران و مقداری بزرگتر سرمایه های تنظیم شده، ریسک کمتری دارد. کاهش ریسک برای افزایش طول زمانی بین دوره های تامین مالی متوالی است.تعدیل مثبت در پیشنهاد قیمت های عمومی اولیه بین پیشنهاد قیمت واقعی و مقدماتی، احتمالات ریسک خنثی کمتری دارد. پیشنهاد قیمت بالاتر نیز احتمالات ریسک خنثی کمتری دارد. استقراری با چارچوب ریسک خنثی، بازار بازده ارتباط منفی با احتمالات ریسک خنثی دارد. بازار بازده رابطه منفی با احتمالات موفقیت ریسک خنثی دارد. تعداد پیشنهادات اولیه عمومی درطول ماه از دوره های تامین مالی حاضر ارتباط منفی با احتمالات موفقیت ریسک خنثی دارد. ارتباط بین بازده IPO از شرکت ها، کمپانی ها، درطول ماه از دوره های تامین مالی جاری و احتمالات موفقیت ریسک خنثی بی نتیجه است. ارتباط درمورد سرمایه های، سرمایه گذاری مثبت است و درمورد دوره های تامین مالی IPO منفی است. این جهت معکوس رابطه می تواند نشانه یک مدل خطی مشخص باشد. هرچند فاکتورهای تورم متغیر هیچ نگرانی برای مشکل چند خطی ایجاد نمی کند.

5.2. عملکرد خارج از نمونه
جدول 7 آزمون های خارج از نمونه بر دقت تخمین از احتمالات موفق بر بالاجنبش در ارزش ثابت بین در دوره های تامین مالی متوالی اندازه گیری پراکسی برای ریسک را ارائه می دهد.به طورکلی خطای برآورد چهارچوب ریسک خنثی کوچکتر از روش تنظیم شده ریسک در مقابل اندازه گیری های عملکردی است. تنها یک انتظار در این که ارتباط موثر (R) یک تناسب بهتر برای چهارچوب تنظیم شده ریسک را زمانی که به چهارچوب ریسک خنثی مقایسه شده است، وجود دارد. اکثریت اندازه گیری های عملکرد که مدل های برآورد مختلف را به نفع شبکه های عصبی آبشاری مقایسه شده به مدل های نشانه را مقایسه می کند. تنها 3 انتظار در اینکه MLP دقت تخمین بیشتری را فراهم می کند وجود دارد. این انتظارات برای ارتباط موثر (R) در چهارچوب ریسک خنثی در (پانل A)، 0.632 BR در ریسک خنثی و چهارچوب تنظیم شده ریسک در (پانل B) هستند.جدول 8 دقت برآورد بالاجهش ها در ارزش ثابت مبتنی بر احتمالات ثابت را برای هر مدل تخمین ارائه می دهد. بالاجهش درمقدار ثابت اندازه پراکسی برای بازده است. به طور کلی، چهارچوب ریسک خنثی دقت تخمین بیشتری در بالا جهش در ارزش ثابت بین دوره های تامین مالی متوالی را زمانی که به روش تنظیم شده ریسک مقایسه شده است را فراهم می کند. تنها دو انتظار وجود دارد. ارتباط موثر بین مقدارهای ex ante و ex postبرای چهارچوب ریسک خنثی برای MLP و شبکه های عصبی آبشاری در (پانل B) کمتر هستند. اکثریت اندازه گیری های عملکرد نشان می دهد که شبکه های عصبی آبشاری، مدل های نشانه ای رانشان اجرا می کند. دوباره تنها دو انتظار برای قانون وجود دارد، در (پانل A) ارتباط موثر (R)، MAE خطای برآورد بیشتری در مدل آبشاری نسبت به مدل MLP دارد. خطای برآورد کوچکتر از روش ریسک خنثی که بر پارامتر برآورد با استفاده از شبکه های آبشاری متکی هستند به احتمال زیاد برای آمدن از عدم تجانس کمتر در نرخ های بدون ریسک از بازده نسبت به نرخ های تنظیم شده ریسک از بازده و قابلیت انعطاف پذیری برآورد از شبکه های عصبی آبشاری هستند.

جدول7. آزمون های خارج از نمونه بر دقت برآورد از ریسک

تذکر: این جدول خطاهای برآورد خارج از نمونه و مقایسه بین ریسک خنثی و چهارچوب ریسک تنظیم شده را ارائه می دهد. احتمال موفقیت ریسک خنثی pو احتمالموفقیت ریسک تنظیم شده q، اندازه گیری های پراکسی برای ریسک همانطور که در جدول 3 تعریف شده اند، هستند. مشاهدات خارج از نمونه بطور تصادفی از 3926 دوره های تامین مالی سرمایه گذاری (پانل A) و 1360دوره های تامین مالی IPO (پانل B) بین ژانویه 1986 و دسامبر 2008 انتخاب شده هستند.مدل های برآورد، رگرسیون خطی از معادله 5، شبکه های عصبی MLP از معادله 8 و شبکه های عصبی آبشاری از معادله 11 هستند. (BR) نسبت 632/0 برآوردهای خود راه انداز (معادله 16) در ارتباط با برآوردهای مدل های رگرسیون خطی است. SSE مجموع خطای مربع شده است. MSE میانگین خطای مربع شده است. RMSQ میانگین ریشه خطای مربع شده است. (R) ارتباط موثر بین احتمالات ex ante و ex post است.

جدول8. آزمون های خارج از نمونه بر دقت برآورد از ریسک

تذکر: این جدول خطاهای برآورد خارج از نمونه و مقایسه بین چهارچوب ریسک خنثی و ریسک تنظیم شده را ارائه می دهد. بالاجهش در مقدار ثابت u، اندازه گیری پراکسی برای بازده همانطور که در جدول 3 تعریف شده است. . مشاهدات خارج از نمونه بطور تصادفی از 3926 دوره های تامین مالی سرمایه گذاری (پانل A) و 1360دوره های تامین مالی IPO (پانل B) بین ژانویه 1986 و دسامبر 2008 انتخاب شده هستند.مدل های برآورد، رگرسیون خطی از معادله 5، شبکه های عصبی MLP از معادله 8 و شبکه های عصبی آبشاری از معادله 11 هستند. (BR) نسبت 632/0 برآوردهای خود راه انداز (معادله 16) در ارتباط با برآوردهای مدل های رگرسیون خطی است. SSE مجموع خطای مربع شده است.MSE میانگین خطای مربع شده است. RMSQ میانگین ریشه خطای مربع شده است. (R) ارتباط موثر بین احتمالات ex ante و ex post است.شبکه های عصبی آبشاری هر دو فرم برآورد عملکرد خطی و غیرخطی را می پیچاند، آنها همچنین هر اثر متقابل متغیر را بدون نیاز به مدل کردن آنها را حساب می کند.

6. گسترش
راه های زیادی برای گسترش این مدل وجود دارد. انتخاب من از  Cox, Ross, Rubinstein (1979) ناقص است. روش های جایگزینی یا پیچیده تر ریسک خنثی ممکن است برای پیشرفت دقت برآورد ریسک بازده، در دسترس باشد. از این رو، این تکنیک ها نیاز دارند که قادر به غلبه بر برخی از چالش ها، زمانی که از نمونه های بزرگ استفاده می کنند، دارد. برای مثال، طول زمانی بین تمایز دوره های تامین مالی متوالی و شرکت های سرمایه جدید، الگوی یکسان پی در پی در دوره های تامین مالی به مراحل صندوق توسعه کلیدی را ادامه نمی دهد.تکنیک های برآورد پیچیده بیشتر می تواند همچنین دقت برآورد ریسک بازده را بهبود بخشد. بنابراین، من ادعا نمی کنم که مدل های شبکه عصبی ضخیم تنها جایگزین برای رگرسیون خطی یا در واقع به برآورد دیگر به خودی خود برتر است. شبکه های عصبی مطلوب هستند زیرا آنها می توانند هر فرم عملکردی خطی و غیرخطی بیشترین دقت برآورد نمایه ریسک بازده را در دوره های تامین مالی، را فراهم می کنند.با این حال، معماری های شبکه عصبی پیچیده تر و تکنولوژی های برآورد جایگزینی مسیرهای امکان پذیری برای تحقیقات آینده هستند. برخی ازاین تکنیک ها برآوردی نیز می توانند سعی کنند وبرخی از این تکنیک های برآورد نیز می توانند سعی کنند یا معافیت ساختاری ممکن بین سرمایه گذاری و پیشنهادات اولیه عمومی را شامل شوند. برخی از آزمون های اهمیت متغیر نشان می دهند که مدل های نشانه خطی بیش مشخص هستند. مدل های ضخیم صرفه جویی با کمترین متغیر های مستقل ، پیش بینی دقیق بیشتری را فراهم می کنند.

تذکرات

1. Sahlman (1993) سه انتخاب ( گزینه ) برای شرکت های سرمایه گذاری را شناسایی می کند. گزینه مقدارگیری مجدد یک سرمایه گذاری، گزینه ای برای ایجاد کردن سرمایه اضافی و گزینه برای ترک یک سرمایه گذاری .
2. برآورد نرخ های تنظیم شده ریسک بازده در Ruhnka و yong ( 1991و1987) هستند: 8% . 54 برای مرحله اخیر ، 2% . 42 برای مرحله گسترش :0% . 35 برای مرحله بعد از توسعه سرمایه گذاری
3. مثال های پیش رو دو روش را توضیح می دهند. که می گوید یک احتمال برابر وجود دارد که جریان پرداختی پول نقد از یک شرکت $1 یا 0$ بعد از یک دوره است. فرض می شود که این جریان های پرداختی پول نقد ریسک دار هستند . اگر نرخ تخفیف تنظیم شده ریسک 20% است. مقدار ثابت مورد انتظار (0.5 $1 + 0.5$0)  =$0.41 است.

این ریسک تنظیم شده مورد انتظار ارزش ثابت در دلارهار حاضر است. ماهمچنین می توانیم0.41% از همان پرداخت های اصلی را بدست ۀوریم، اما احتمالات تنظیم ریسک از دقت هر پرداختی که ما پس از آن در نرخ بدون ریسک تخفیف می دهیم فرض کنید که نرخ بدون ریسک 25% است. ما می توانیم 0.41$ مورد انتظار را توسط حل احتمالات ریسک خنثی pدر
(p $1 + (1-p)  $0 )  e^-0.025*1 =$0.041
بدست آوریم که 42 % است.

1. ببینید برای مثال ، HO , NIK ، stinchcombe ، while (1989) و cooper (1999) برای جزئیات بر متولوژی شبکه عصبی zhang، و Patowo و HU (1998) یک بررسی از آثار بر شبکه های عصبی مصنوعی را فراهم می کنند.
2. برای مثال ببینید، Billo  و  sartore و Toffano(2000) و  برای شرح این متولوژی
3. نمونه هایشان شامل 597 مشاهده که از آن 421 دورهای تامین مالی سرمایه گزاری هستند و 176 دورهای تامین مالی ipo را ارئه می دهند.
4. نمونه توزیع در مقابل صنایع در seppa و lamanan (2001) شفاف نیست و می تواند باعث شک شود بر تعمیم و اعتیبار یافته هاشان
5. من فکر می کنم jai Ritle برای ساخت عمومیت این داده در دسترس بر

http://bear. Warrington.ufl.edu/ritlet/ipodata.htme

1. شرکت های نمونه کاهش در مقدار ثابت در 170 خارج از 3926 (403%) دورهای تامین مالی سرمایه گذاری ، و 60 خارج از 1360 (40.4) دورهای تامین مالی Ipo را نشان می دهد.

10.برای عملکرد ببینید. برای مثال alfuhaid و EL-sayed (1997)
11. برای بحث جزئی از روش خود راه انداز ببینید برای مثال Efrom و tibshirani  (1993) یاhall (1995) مطالعات استفاده از راه اندازی شامل ، برای مثال brock
12. آنها بهره وری از تعیین از 22% برای توضیح احتمالات ریسک خنثی را گزارش دادند.