مقایسه مدل های طراحی شده با استفاده از درخت تصمیم و شبکه فازی- عصبی مصنوعی برای عدم اطمینان جریانات وجوه نقد در شرکت های پذیرفته شده در بورس اوراق بهادار تهران

شواهد زیادی وجود دارند که نشان داده‌اند که عدم اطمینان در جریانات وجوه نقد بر سیاست ها و تصمیمات مالی شرکت های بورس تاثیرگذار است. لذا با توجه به اهمیت تصمیمات مالی برای بهره برداران، مقاله حاضر با هدف طراحی مدلی برای عدم اطمینان جریانات وجوه نقد برای شرکت‌های پذیرفته شده در بورس اوراق بهادار تهران انجام شده است. برای این منظور، در این پژوهش داده‌های مربوط به 441 شرکت از شرکت‌های بورسی را برای دوره زمانی بین سالهای 1393 تا 1397 مورد بررسی قرار داده‌ایم. این داده‌ها با استفاده از درخت تصمیم و شبکه عصبی– فازی مصنوعی (anfis) و با استفاده از نرم افزارهایspss ، eviews9 و matlab 2015a مورد تحزیه و تحلیل قرار گرفته است و مدلی برای عدم اطمینان جریانات وجوه نقد با توجه به متغیرهای توضیحی استخراج گردیده است. شبکه های عصبی مصنوعی به عنوان یکی از روش های نوین مدل سازی در سال های اخیر مورد توجه ویژه قرار گرفته است. براساس نتایج پژوهش، ریسک شرکت و سرمایه گذاری شرکت از مهمترین عوامل موثر برای تبیین عدم اطمینان جریانات وجوه نقد هستند. همچنین مقایسه ها نشان می دهد که مدل استخراج شده با استفاده از درخت تصمیم عملکرد بهتری نسبت به مدل استخراجی با شبکه فازی – عصبی استفاده از دارد.

comparison of models designed using decision tree and fuzzy-artificial neural network for the uncertainty of cash flows in companies admitted to the tehran stock exchange

many pieces of evidence have shown that uncertainty in cash flows affects the financial policies and decisions of stock companies. therefore, according to the importance of financial decisions for operators, this article aims to design a model for the uncertainty of cash flows for companies listed on the tehran stock exchange. for this purpose, in this research, we have examined the data of 441 listed companies between 2013 and 2017. these data have been analyzed using a decision tree and artificial neural-fuzzy network (anfis) and using spss, eviews9, and matlab 2015a software and a model for the uncertainty of cash flows has been extracted according to explanatory variables. artificial neural networks have received special attention as one of the new modeling methods in recent years. based on the results of the research, company risk and company investment are the most important effective factors to explain the uncertainty of cash flows. also, the comparisons show that the model extracted using the decision tree has a better performance than the model extracted using the fuzzy-neural network.