پیش بینی محدودیت مالی شرکت های پذیرفته شده در بورس اوراق بهادار تهران با بکار گیری روش های relief-svm -chaid

پیش بینی محدودیت مالی شرکت های پذیرفته شده در بورس اوراق بهادار تهرانبا بکار گیری روش های reliefsvm chaidچکیدهبحث محدودیت‌های مالی یکی از موضوعات اساسی و مهم پیش روی تمام شرکت‌ها می‌باشد. پیش‌بینی محدودیت مالی یک پدیده بااهمیت برای سرمایه‌گذاران، اعتباردهندگان و سایر استفاده‌کنندگان از اطلاعات مالی محسوب می‌شود. این پژوهش با استفاده از اطلاعات 7 سال مالی طی دوره 1390 الی 1396 و با استفاده از اطلاعات مالی 213 شرکت به بررسی عوامل موثر بر محدودیت مالی و پیش‌بینی آن با استفاده از روش های یادگیری ماشین (الگوریتم طبقه بندی ماشین بردار پشتیبان و الگوریتم قانون گرای چاید) پرداخته است. در گام نخست با استفاده از روش ریلیف از بین متغیرهای اولیه پژوهش تعداد پنج متغیر نسبت وجه نقد عملیاتی به‌کل دارایی‌ها، اهرم مالی، کیوتوبین، بازده فروش و نسبت مالکان نهادی به‌عنوان متغیرهای بااهمیت در پیش‌بینی محدودیت مالی شرکت ها انتخاب‌شده‌اند. همچنین نتایج نشان داد که الگوریتم ماشین بردار پشتیبان با استفاده از داده‌های مالی منتخب توانایی پیش‌بینی محدودیت مالی را با قدرت بالای 80 درصد و همچنین بیشتر از الگوریتم قانون‌گرا چاید دارد.

Predict the Financial Limitations of Companies Accepted in Tehran Stock Exchange Using the Relief-Svm-Caiid methods

Predict the Financial Limitations of Companies Accepted in Tehran Stock Exchange Using the ReliefSvmCaiid methodsAbstractDiscussion of financial constraints is one of the key issues facing all companies. Predicting financial constraints is an important phenomenon for investors, creditors and other users of financial information. This research uses the information of 7 financial years during the period 20122017 and using financial information of 213 companies to study the factors affecting financial limitation and its prediction using artificial intelligence algorithm method (backup algorithm classification algorithm and the ruleoriented algorithm Chaid). In the first step, using the Relief Algorithm, among the initial research variables, five variables of the ratio of total operational assets to total assets, the ratio of total debt to the total assets, the kbitwin, the return on sales, and the ratio of institutional owners were selected as important variables in the company’s financial constraint, respectively. The results also showed that the threeclass support algorithm using selected financial data has the ability to predict future financial constraints with a power greater than 80% and more than the lawgoverned algorithm.Keywords: financial constraints, Machine learning method, financial variables and corporate governancejel: M41B26C63