نقش معیارهای عملکرد در تبیین کارایی سرمایه‌گذاری با تاکید بر روش هوش مصنوعی

کارایی سرمایه‌گذاری زمانی حاصل می‌شود که شرکت فقط در تمامی طرح‌هایی باارزش فعلی خالص مثبت سرمایه‌گذاری کند. البته این سناریو در صورتی کارساز است که بازار کامل باشد و هیچ‌یک از مسائل بازار ناقص ازجمله گزینش نادرست و هزینه‌های نمایندگی وجود نداشته باشد. صرف‌نظر از فرصت‌های سرمایه‌گذاری که خالص ارزش فعلی مثبت دارند، سرمایه‌گذاری کمتر از حد و همچنین، انتخاب پروژه‌هایی با خالص ارزش فعلی منفی، بیانگر عدم کارآیی سرمایه‌گذاری است، زیرا مدیران باید به‌صورت بهینه در طرح‌هایی سرمایه‌گذاری کنند که برای شرکت ارزش‌آفرینی کند؛ یعنی طرح‌هایی باارزش خالص مثبت را پذیرفته و طرح‌هایی باارزش خالص منفی را رد کنند. هدف پژوهش کاربرد الگوریتم هوش مصنوعی شبکه عصبی و ژنتیک در تبیین میزان تاثیر معیارهای عملکرد جهت پیش‌بینی کارایی سرمایه‌گذاری می‌باشد. بدین منظور از اطلاعات مالی 139 شرکت بین سال‌های 1389 الی 1398 با استفاده از روش‌های هوش مصنوعی ژنتیک و شبکه عصبی استفاده شد. نتایج تحقیق حاکی از تاثیر معیار‌های عملکرد بر کارایی سرمایه‌گذاری می‌باشد و همچنین نتایج نشان داد که روش هوش مصنوعی شبکه عصبی نسبت به روش هوش مصنوعی ژنتیک قدرت بالاتری جهت پیش‌بینی کارایی سرمایه‌گذاری شرکت‌های پذیرفته‌شده در بورس اوراق بهادار تهران را دارد.

the role of performance metrics in explaining investment efficiency with emphasis on the method of artificial intelligence

investment efficiency is achieved when the company invests only in all of its current positive net worth projects. of course, this scenario works if the market is complete and there are no imperfect market issues such as incorrect selection and agency costs.regardless of the investment opportunities that have a positive net present value, underinvestment, as well as the selection of projects with a negative net present value, indicates inefficiency of investment, because managers must optimally invest in projects that create value for the company; that is, they accept positive net worth plans and reject negative net worth plans. the purpose of this research is to apply the neural network and genetic artificial intelligence algorithm in explaining the effect of performance criteria to predict investment efficiency. for this purpose, the financial information of 139 companies between 1389 and 1398 was used using genetic artificial intelligence and neural network methods. the results indicate the effect of performance criteria on investment efficiency and also the results showed that the neural network artificial intelligence method has higher power than the genetic artificial intelligence method to predict the investment efficiency of companies listed on the tehran stock exchange.