پیش‌بینی لغو پذیرش شرکت‌ها از بورس اوراق بهادار تهران با استفاده از الگوریتم‌های مبتنی بر یادگیری ماشین

هدف: اخراج شرکت‌ ها با وجود اهمیت در مسایل اقتصادی و اجتماعی جامعه، کم‌تر در ادبیات مالی مورد‌‌توجه قرار گرفته است. این موضوع از آن جهت دارای اهمیت است که برای هر کشور، یکی از معیارهای سنجش اقتصادی، حجم بازار سرمایه می‌ باشد؛ بنابراین اخراج شرکت‌ ها نه‌تنها باعث از بین رفتن اعتبار شرکت، قیمت سهام و بازار فروش سهام آن شرکت می‌شود بلکه بر رشد بازار و اقتصاد هر کشور نیز موثر است. پژوهش حاضر به دنبال بررسی صورت ‌های مالی و گزارش حسابرسی شرکت‌های فعال و مقایسه آن با شرکت‌های لغو‌پذیرش‌شده می‌باشد تا به کمک فنون مدل‌سازی هوش مصنوعی، مدلی را برای پیش‌بینی شرکت‌های لغوپذیرش‌شده در بورس اوراق بهادار تهران طراحی نماید.روش‌شناسی پژوهش: در این پژوهش که روی شرکت‌های بورس اوراق بهادار تهران انجام پذیرفته است، داده ‌های مربوط به سه سال قبل از اخراج 73 شرکت حذف‌شده از بورس از سال 1382 تا سال 1397 در گروه اول و داده‌های 148 شرکت فعال که به‌صورت مستمر در بورس حضور داشتند در گروه دوم و با روش حذفی سیستماتیک انتخاب گردیدند. سپس با تکنیک‌های داده‌کاوی که از کارآمدترین و به‌روزترین مدل‌های هوش مصنوعی هستند و به کمک طبقه‌بند های شبکه عصبی پرسپترون چندلایه، درخت تصمیم، و طبقه‌بند نظریه بیز به پیش‌بینی شرکت‌های لغو‌پذیرش‌شده از بورس پرداخته شده است.یافته‌ها: یافته‌ها نشان می‌دهد بهترین عملکرد را طبقه‌بند بیز داشته است و شبکه عصبی پرسپترون چندلایه در جایگاه دوم و طبقه‌بند درخت تصمیم در جایگاه سوم قرار گرفته است.اصالت/ارزش افزوده علمی: پژوهش ‌های کمی در حوزه پیش‌بینی اخراج شرکت ‌ها از بازار سرمایه در ایران شده است. این پژوهش با پر کردن این گپ، به پژوهشگران پیشنهاد داده است با استفاده از سایر طبقه‌بند‌ها، ترکیب کردن چندین طبقه‌بند با یکدیگر به‌منظور پوشش بهتر خطاهای هر یک، ترکیب کردن طبقه‌بند ها با یکدیگر و وزن‌دهی به روشی که دقت بالاتری داشته باشد، اضافه کردن سایر متغیرهای تاثیرگذار در اخراج شرکت ‌ها از جمله ساختار مالکیت و ترکیب سهام‌داران می تواند نتایج دیگری به دست آید.

predicting the delisted companies of tehran stock exchange using machine learning based algorithms

purpose: delisted companies, despite their importance in the economic and social issues of society, is less considered in the financial literature. this issue is important because for each country, one of the criteria for economic measurement is the size of the capital market. therefore, the delisted companies not only destroys the company’s reputation, its stock price and the market for the sale of its shares, but also affects the growth of the market and the economy of each country. the present study seeks to review the financial statements and audit reports of active companies and compare it with delisted companies to design a model for forecasting delisted companies in the tehran stock exchange with the help of artificial intelligence modeling techniques.methodology: in this study, which was conducted on companies of the tehran stock exchange, data related to three years before the delisting of 73 companies removed from the stock exchange from 2003 to 2019 in the first group and data of 148 active companies that are continuously. they were present in the stock market in the second group and were selected by systematic elimination method. then, with data mining techniques, which are among the most efficient and up-to-date models of artificial intelligence, and with the help of multi-layered perceptron neural network classifiers, decision tree, and bayesian theory classifiers, stock delisted companies have been predicted.findings: the findings show that the bayesian classifier had the best performance and the multilayer perceptron neural network was in the second place and the decision tree classifier was in the third place.originality/value: little research has been done in the field of predicting delisted companies from the iran capital market. this study by filling this gap, suggests to researchers to use other classifiers, combine several classifiers together to better cover the errors of each, combine classifiers with each other and weigh in a way that is more accurate, add other variables influential in the dismissal of companies, including the ownership structure and shareholder composition can have other results.