|
|
|
|
کاربرد روش‌های گوسی و شعاعی در پیش بینی محدودیت مالی شرکت‌های پذیرفته شده در بورس اوراق بهادار تهران
|
|
|
|
|
|
|
|
نویسنده
|
غلامزاده محمدرضا ,فغانی مهدی ,پیفه احمد
|
|
منبع
|
مهندسي مالي و مديريت اوراق بهادار - 1398 - شماره : 41 - صفحه:286 -311
|
|
چکیده
|
یکی از مسائل مهم در پیش بینی محدودیت مالی، انتخاب متغیرهای مناسب جهت پیش بینی می‌باشد. در این پژوهش جهت پیش بینی محدودیت مالی، روش هوش مصنوعی فرآیند گوسی و شبکه عصبی شعاعی را بررسی نمودیم. برای این منظور تعداد 208 شرکت طی سال‌های 1390 تا 1396 به‌عنوان جامعه آماری انتخاب شده‌اند که با توجه به در دسترس بودن اطلاعات، تمام شرکت‌ها به‌عنوان نمونه آماری مورد بررسی قرارگرفته است. نتایج این پژوهش که نشان داد روش‌های هوش مصنوعی توانایی پیش بینی محدودیت مالی شرکت‌های پذیرفته شده در بورس اوراق بهادار تهران را دارد. بنابراین فرضیه اصلی این پژوهش تایید می‌گردد و روش‌های شبکه عصبی شعاعی و فرآیند گوسی روش های کارآمد برای پیش‌بینی محدودیت مالی است. همچنین نتایج پژوهش نشان داد که متغیرهای ارزش شرکت، نسبت وجه نقد عملیاتی به دارایی‌ها، اهرم مالی، بازده دارایی‌ها، درصد مالکان نهادی دارای بیشترین اهمیت در پیش‌بینی محدودیت مالی می‌باشند.
|
|
کلیدواژه
|
محدودیت مالی، شبکه عصبی شعاعی، رگرسیون فرآیند گوسی
|
|
آدرس
|
دانشگاه ازاد اسلامی واحد زاهدان, دانشکده علوم انسانی, ایران, دانشگاه سیستان و بلوچستان, دانشکده مدیریت و اقتصاد, گروه حسابداری, ایران, دانشگاه سیستان و بلوچستان, دانشکده مدیریت و اقتصاد, گروه حسابداری, ایران
|
|
پست الکترونیکی
|
pife@acc.usb.ac.ir
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Application of methods radial neural network, Gaussian process regression in predicting financial constraints Companies admitted to the Tehran Stock Exchange
|
|
|
|
|
Authors
|
Gholamzadeh Mohammadreza ,faghani Mahdi ,pife ahmad
|
|
Abstract
|
One of the important issues in predicting financial constraints is the choice of predictor variables. In this study, we investigated the Gaussian process machine learning method and radial neural network to predict financial constraints. For this purpose, 208 companies from 1390 to 1396 have been selected as the statistical population. Due to the availability of information, all companies have been considered as a statistical sample. The results of this study showed that machine learning methods have the ability to predict the financial constraints of corporations admitted to Tehran Stock Exchange. Therefore, the main hypothesis of this research is confirmed and machine learning methods are an effective way to predict financial constraints. Also, the results showed that the company’s value, operating cash flow ratio, financial leverage, return on assets, and the percentage of institutional owners had the most importance in predicting financial constraints.
|
|
Keywords
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|