ارزیابی عملکرد مالی شرکت‌های پذیرفته شده در بورس اوراق بهادار تهران با خوشه بندی‌های k-mean و k-medoid

با افزایش حجم داده‌های مالی در شرکت‌های بورسی، انتخاب روشی دقیق و کارآمد برای تحلیل و خوشه‌بندی این داده‌ها از اهمیت بالایی برخوردار است. هدف این پژوهش بررسی عملکرد مالی شرکت‌های بورسی ایران و خوشه بندی آنها با استفاده از دو روش خوشه‌بندی k-mean و k-medoid است. این مطالعه بر اساس نسبت‌های مالی کلیدی شامل بازده دارایی‌ها، بازده حقوق صاحبان سهام، حاشیه سود ناخالص، نسبت بدهی به حقوق صاحبان سهام و نسبت قیمت به ارزش دفتری انجام شده است. داده‌های مالی مربوط به شرکت‌های فعال در بورس اوراق بهادار تهران در بازه زمانی ده ساله جمع‌آوری و تحلیل شده‌اند. روش k-mean به دلیل سرعت بالا و کارایی مناسب در داده‌های بزرگ، خوشه‌بندی سریعی ارائه می‌دهد، در حالی که روش k-medoid به دلیل مقاومت بیشتر در برابر داده‌های پرت و دارای اغتشاش، خوشه‌بندی‌های دقیق‌تری انجام داده است. تحلیل واریانس (anova) نشان‌دهنده تفاوت معنادار بین خوشه‌ها بر اساس معیارهای مالی مذکور است. نتایج پژوهش نشان می‌دهد که روش k-medoid توزیع متعادل‌تر و نتایج دقیق‌تری در تفکیک شرکت‌ها ارائه کرده است، در حالی که روش k-mean برای داده‌های ساده‌تر و با حجم بالا مناسب‌تر است. یافته‌های این تحقیق می‌تواند به سرمایه‌گذاران و تحلیل‌گران مالی کمک کند تا بر اساس خوشه‌های مشخص‌شده و با توجه به ریسک پذیری و بازدهی مورد انتظار خود، تصمیمات استراتژیک بهتری اتخاذ کنند.

evaluating the financial performance of companies listed on the tehran stock exchange with using k-mean and k-medoid clustering

with the increasing volume of financial data in listed companies, choosing an accurate and efficient method for analyzing and clustering this data is of great importance. the aim of this study is to examine the financial performance of iranian listed companies and their clustering using two clustering methods: k-mean and k-medoid. this study was conducted based on key financial ratios including return on assets, return on equity, gross profit margin, debt-to-equity ratio, and price-to-book value ratio. financial data related to companies active in the tehran stock exchange were collected and analyzed over a ten-year period. the k-mean method provides fast clustering due to its high speed and appropriate efficiency in big data, while the k-medoid method provides more accurate clustering due to its greater resistance to outliers and noisy data. analysis of variance (anova) indicates a significant difference between clusters based on the aforementioned financial criteria. the results of the research show that the k-medoid method provides a more balanced distribution and more accurate results in separating companies, while the k-mean method is more suitable for simpler and high-volume data. the findings of this research can help investors and financial analysts make better strategic decisions based on the identified clusters and considering their risk tolerance and expected returns.