تاثیر عوامل مالی بر پیش بینی فروش با روش‏های یادگیری ماشین نظارت شده: مطالعه موردی شرکت‏های بخش صنایع غذایی و آشامیدنی پذیرفته شده در بورس اوراق بهادار تهران

مطالعه حاضر‏به شناسایی عوامل مالی موثر بر پیش‏بینی فروش آتی شرکت‏های صنایع غذایی پذیرفته شده در بورس اوراق بهادار تهران با استفاده از روش‏های یادگیری ماشین نظارت شده، می پردازد. دوره مورد مطالعه این پژوهش، 50 دوره فصلی بوده و سال‏های 1389 تا 1401 را در بر می‏گیرد. نمونه انتخابی شامل 23 شرکت پذیرفته شده در بورس اوراق بهادار تهران از صنایع غذایی می‏باشد. روش آماری در این تحقیق، تحلیل همبستگی از طریق رگرسیون با استفاده از مدل‏های رگرسیون خطی، رگرسیون جنگل تصادفی، رگرسیون بردار پشتیبانی و رگرسیون بهبود گرادیان می باشد. آماده سازی و پیش پردازش داده‏ها و ساخت مدل با استفاده از زبان پایتون در پلتفرم ژوپیتر نوت بوک انجام شده اند. مقایسه نتایج مدل‏ها نشان داد که مدل جنگل تصادفی، نسبت به سایر الگوریتم‏ها، عملکرد بهتری در پیش بینی و توضیح واریانس فروش، با استفاده از داده‏های مالی، دارد. الگوریتم های تقویت گرادیان، درخت تصمیم، بردار پشتیبانی و مدل رگرسیون خطی در جایگاه بعدی از نظر میزان آماره r- بودند. نتایج مدل جنگل تصادفی نشان داد که که اطلاعات مالی شرکت‏ها تنها 38 درصد واریانس فروش 2 فصل آتی را توضیح می‏دهد و 60 درصد میزان فروش، تحت تاثیر سایر فاکتورها، از جمله اقدامات بازاریابی، ویژگی‏های مربوط به شرکت و فروشگاه، عوامل خارجی و …، می‏باشد. همچنین تحلیل نتایج نشان داد که اطلاعات فروش گذشته و نرخ تورم تاثیری بر پیش‏بینی فروش آتی ندارند.

investigating the impact of financial factors on sales forecasting with supervised machine learning methods: a case study of food and beverage companies admitted to the tehran stock exchange

this study aims to identify the financial factors influencing the prediction of future sales for food industry companies listed on the tehran stock exchange using supervised machine learning methods. the study period encompasses 50 quarterly periods from 2010 to 2022. the selected sample includes 23 companies from the food industry that are listed on the tehran stock exchange. the statistical method employed in this research is correlation analysis through regression, utilizing linear regression, random forest regression, support vector regression, and gradient boosting regression models. data preparation, preprocessing, and model construction were conducted using python on the jupyter notebook platform. comparative results of the models indicate that the random forest model outperformed other algorithms in predicting and explaining the variance in sales using financial data. gradient boosting, decision tree, support vector, and linear regression models ranked next in terms of r² statistics. the results from the random forest model showed that the financial information of companies explains only 38 percent of the variance in sales for the next two quarters, while 60 percent of sales are influenced by other factors, including marketing efforts, company and store characteristics, external factors, and so on. additionally, the analysis revealed that past sales data and inflation rates do not have an impact on predicting future sales.