تعیین روش بهینه پیش بینی درماندگی مالی شرکت ها (مطالعه موردی: شرکت های بورس اوراق بهادار تهران)

یکی از مهم‌ترین موضوعات مطرح در حوزه مدیریت مالی، آن است که سرمایه‌گذاران فرصت‌های مطلوب سرمایه‌گذاری را از فرصت‌های نامطلوب تشخیص دهند. در راستا، ‌یکی از راه‌های کمک به سرمایه‌گذاران ارائه‌ی مدل‌های پیش‌بینی درماندگی مالی شرکت‌ها است. با توجه به مطالعات مختلفی که برای توسعه این دسته از مدل‌ها انجام گرفته‌اند، در پژوهش حاضر از ترکیب تکنیک‌های شبکه‌ عصبی مصنوعی و الگوریتم ژنتیک بر مبنای نسبت‌های پیش‌بینی زیمنسکی برای مدل‌سازی پیشبینی درماندگی مالی استفاده شده است. جامعه آماری تحقیق، شامل شرکت‌های سهامی عام حاضر در بورس اوراق بهادار تهران است که طی دوره زمانی مهر 1392 تا مهر 1394 در بورس فعالیت داشته‌اند که از میان آنها، 66 شرکت درمانده و 150 شرکت سالم با روش غربال‌سازی به‌عنوان نمونه‌‌ انتخاب شده‌اند. نتایج نشان می‌دهند که شبکه عصبی و الگوریتم ژنتیک در پیش‌بینی درماندگی مالی از قدرت برابر (95 درصد) برخوردارند، با این وجود، خطای پیش‌بینی در شبکه عصبی در مقایسه با الگوریتم ژنتیک پایین‌تر است.

Developing an Optimal Method for Financial Distress Prediction of the Firms (Case Study: Tehran Stock Exchange)

One of the most important issues in the field of financial management is how the investors distinguish between favorable investment opportunities and undesirable ones. One of the ways to help investors is to provide financial distress prediction models. According to the various studies have been made to develop these type of models, in this study the combination of artificial neural networks (ANN) and genetic algorithm (GA) techniques based on Zimensky prediction ratios is used for modeling financial distress. The research statistical population includes public companies in Tehran stock exchange which admitted between October 2013 to October 2015 and among them 66 distressed and 150 going concern companies were selected as the research sample using screening method. The results indicate that the power of both artificial neural network and genetic algorithm models in financial distress prediction are equal (95 percent), however, the prediction error of neural network is relatively low compared to genetic algorithm.