مقایسه کارایی تکنیک‌های تجزیه‌وتحلیل درونی و مقایسه‌ای داده در الگوریتم ژنتیک غیرخطی جهت پیش‌بینی سودآوری شرکت‌ها

محورهای موضوعی : حسابداری مالی و حسابرسی

زهرا پورزمانی ¹

1 - استادیار، گروه آموزشی حسابداری، واحد تهران مرکزی، دانشگاه آزاد اسلامی، تهران، ایران

تاریخ دریافت : 1394/02/16 تاریخ پذیرش : 1394/02/16 تاریخ انتشار : 1393/09/01

کلید واژه: پیش‌بینی سودآوری, الگوریتم ژنتیک غیرخطی, تجزیه ‌و تحلیل درونی داده‌ها, تجزیه ‌و تحلیل مقایسه‌ای داده‌ها,

چکیده مقاله :

هرچند دانسته‌ها در مورد روش تصمیم‌گیری استفاده‌کنندگان از صورت‌های مالی اندک است. اما به‌طور قطع می‌توان گفت بخشی از تصمیم‌گیری، به پیش‌بینی توانایی سودآوری آینده شرکت‌ها مربوط می‌شود. همچنین سودآوری به‌عنوان مبنایی برای ارزیـابی کـارایی مـدیران شرکت‌ها مورداستفاده قرار می‌گیرد. این پژوهش، باهدف معرفی الگـوریتم مـناسب جهت پیش‌بینی سودآوری به تصمیم‌گیرندگان، با استفاده از 23 نسبت مالی برتر، به ‌عنوان متغیر مستقل، به مقایسه توانمندی تکنیک‌های تجزیه ‌و تحلیل درونی و مقایسه‌ای داده در الگوریتم ژنتیک غیرخطی در پیش‌بینی سودآوری آینده شرکت‌های پذیرفته‌شده در بـورس اوراق بهـادار تهران طی سال‌های 1371 تا 1391 پرداخته که طبق نتایج به‌دست‌آمده، نتایج نشان می‌دهد مدل الگوریتم ژنتیک غیرخطی مبتنی بر تجزیه ‌و تحلیل درو نی داده‌ها با دقت 90.04% دارای توانمندی بیشتری در پیش‌بینی سودآوری نسبت به مدل الگوریتم ژنتیک غیرخطی مبتنی بر تجزیه ‌و تحلیل مقایسه‌ای داده‌ها با دقت 72.85% می‌باشد.

چکیده انگلیسی:

Although knowledge about how users of financial statements make decisions is limited, it certainly can be said that a part of decision-making relates to predictability of future profitability. Also, profitability is used as a basis for assessing the efficiency of corporate managers. This study, with the aim of introducing an appropriate algorithm for predicting the profitability to the decision makers, by the top 24 financial ratios as independent variables, compares the abilities of internal and comparative data analysis in Non-Linear Genetic Algorithm in anticipating the future profitability of companies listed in Tehran Stock Exchange during the years 2002 to 2012. Results of tests indicated that prediction accuracy of internal data analysis in Non-Linear Genetic Algorithm (90.04%) was greater than that of comparative data analysis in Non-Linear Genetic Algorithm (72.85%).

منابع و مأخذ:

 

• اعتمادی، حسین، آذر، عادل و بقائی، (1391)،"وحیـد، به‌کارگیری شبکه‌های عـصبی در پیش‌بینی سودآوری شرکت‌ها"، پایان‌نامه کارشناسی ارشد حسابداری ، دانشگاه تربیت مدرس.


• پورزمانی، زهرا، کلانتری، حسن، (1392)، " مقایسه قدرت پیش‌بینی بحران مالی توسط تکنیک‌های مختلف هوش مصنوعی "، فصلنامه پژوهش‌های حسابداری مالی و حسابرسی،شماره17 ،بهار 92، صص64-33.


• پورزمانی، زهرا، کی پور، رضا، نورالدین ،مصطفی، (1389)، "بررسی توانمندی الگوهای پیش‌بینی کننده بحران مالی(الگوهای موردمطالعه: الگوهای مبتنی بر روش‌های سنتی، الگوریتم ژنتیک و شبکه‌های عصبی)"، فصلنامه مهندسی مالی و مدیریت پرتفوی،شماره 4، پاییز 89، صص1-28.


• خواجوی، شکراله، غیوری مقدم، علی و غفاری، محمدجواد، (1389) ،" تکنیک تحلیل پوششی داده‌ها مکملی برای تحلیل سنتی نسبت‌های مالی " ، پایان‌نامه کارشناسی ارشد حسابداری ، دانشگاه شیراز.


• رستمی تبار بهمن، امین ناصری محمدرضا،(1386)، "پیش­بینی تقاضای متناوب با استفاده از شبکه­های عصبی مصنوعی"، رساله کارشناسی ارشد مهندسی صنایع، دانشکده فنی و مهندسی دانشگاه تربیت مدرس.


• دادمهر، مهرداد، (1386)"بررسی احتمال سودآوری سهام شرکت‌های پذیرفته‌شده در بورس اوراق بهادار تهران با استفاده از مدل اوهلسان"، پایان‌نامه کارشناسی ارشد، دانشگاه آزاد اسلامی واحد تهران مرکزی.


• فرج‌زاده دهکردی، حسن، (1384)، "کاربرد الگوریتم ژنتیک در الگوبندی پیش‌بینی ورشکستگی"، پایان‌نامه کارشناسی ارشد حسابداری، دانشکده علوم انسانی دانشگاه تربیت مدرس.


• عرب مازار یزدی، محمد، قاسمی مهسا، (1388)، " قیمت‌گذاری عرضه‌های عمومی اولیه: ترکیب شبکه‌های عصبی مصنوعی و الگوریتم ژنتیک"، فصلنامه بررسی­های حسابداری و حسابرسی، شماره 58، صص 87-102.


• منافی، شهریار.(1386)، "ارائه مدل پیش‌بینی در بازار بورس تهران"، پایان‌نامه کارشناسی ارشد، دانشگاه تربیت مدرس تهران.


• موسوی شیری، محمود و طبرستانی، محمدرضا، (1388)، " پیش‌بینی درماندگی مالی با استفاده از تحلیل پوششی داده‌ها " ، پایان‌نامه کارشناسی ارشد حسابداری ، دانشگاه آزاد اسلامی واحد مشهد.


•  Abdipoor S.,  Nasseri A.,  Akbarpour M., (2013),"Integrating Neural Network and Colonial Competitive Algorithm: A New Approach for Predicting Bankruptcy in Tehran Security Exchange", Asian Economic and Financial Review, 3(11),PP.1528-1539.


• Beynon, M. Clatworthy, M. and Jones, M., (2004), "The Prediction of Profitability Using Accounting Narratives: a Variable Precision Rough Set Approach", Intelligent Systems in Accounting, Finance and Management, Vol. 12 No. 4, PP. 227-242.


• Chan, M-C. Wong, C-C. ,(2000), "Financial Time Series Forecasting by Neural Network Using Conjugate Gradient Learning Algorithm and Multiple Linear Regression", Weight Initialization Department of Computing, The Hong Kong Ploy Technique University, Kowloon, Hong Kong.


• Chiang, W.C. Urban, T.L. and Baldridge, G.W. ,(1996), "A Neural Network Approach to Mutual Fund Net Asset Value Forecasting", Omega, Int.j. Mgmt Sci. 24 (2), PP.205-215.


• Cielen, A. Peeters, L. and Vanhoof. K. ,(2004), "Bankruptcy Prediction Using a Data Envelopment Analysis", European Journal of Operational Research. 145,PP. 526-532.


• Jaggi, B. ,(1997), "Accuracy of Forecast Information Disclosed in IPO Prospectuses of Hong Kong Companies", International Journal of Accounting, 32,PP.301-319.


• Jelic, R. Saadoni, B. and Briston, R. ,(2001), "Performance of Malaysian IPO’s: Underwriter's Reputation and Management Earnings Forecasts", Pacific-Basin Finance Journal, 9,PP.457-486.


• Halkos, G.E. Salamouris, D.S. ,(2004), "Efficiency Measurement of the Greek Commercial Banks with the Use of Financial Ratios: a Data Envelopment Analysis Approach", Management Accounting Research, 15,PP. 201-224.


• Kawakami ,Becerra ,seada., (2004), "Ratio ion for Classification Models",.Data Mining and Knowledge Discovery ,PP.151-170.


• Lendasse, A. et al. ,(2000), "Non-Linear Financial Time Series Forecasting Application to Bell 20 Stock Market Index", European Journal of Economic and Social System, 14, No 1, PP.81-91.


• McKee, T.E. and Lensberg, T. ,(2002), "Genetic Programming and Rough Sets: a Hybrid Approach to Bankruptcy Classification", European Journal of Operational Research, 138,PP. 436-51.


• Mohamad, S. Nassir, A. Tan, K.K. and Ariff, M. ,(1994), "The Accuracy of Forecasts of Malaysian IPOs",  Capital Markets Review, 2,PP.49-69.


• Varetto F., (2009), "Genetic Algorithm Applications in the Analysis of Insolvency Risk", Journal of Banking and Finance, 22, PP. 1421–1439