الگوسازی سرمایهگذاری دارایی ثابت با نقش معیارهای نظارتی و رویکرد هوش مصنوعی
محورهای موضوعی : مهندسی مالی
فرزانه شمس دوست
1
(دانشجوی دکتری مهندسی مالی، گروه مدیریت، واحد سنندج، دانشگاه آزاد اسلامی، سنندج، ایران)
امید محمودی خوشرو
2
(عضو هیئت علمی، گروه حسابداری، واحد سنندج دانشگاه آزاد اسلامی، سنندج، ایران)
عطاءالله محمدی ملقرنی
3
(عضو هیئت علمی، گروه حسابداری، واحد سنندج دانشگاه آزاد اسلامی، سنندج، ایران)
امیر شیخ احمدی
4
(عضو هیئت علمی، گروه مهندسی کامپیوتر، واحد سنندج دانشگاه آزاد اسلامی، سنندج،)
کلید واژه: سرمایه گذاری دارایی ثابت, معیار نظارتی, هوش مصنوعی, مدل های خطی و غیرخطی,
چکیده مقاله :
هدف این پژوهش الگوسازی سرمایهگذاری دارایی ثابت با نقش معیارهای نظارتی و رویکرد هوش مصنوعی شرکتهای پذیرفته شده بورس اوراق بهادار تهران می باشد. در این پژوهش نمونه ها با استفاده از روش رگرسیون متغیرگزینی ریلیف-اف انتخاب شدند سپس دادههای پژوهش به روش اعتبار سنجی متقابل ده قسمتی به گروه های داده های آموزش و اعتبارسنجی و داده های آزمون تقسیم شدند. سپس با دو الگوریتم خطی و غیرخطی بردار پشتیبان غیرموازی غیرحساس– پارامتری (PINSVR) و حداقل مربعات جزئی کرنلی (KPLS) و الگوریتم حداقل مربعات جزئی کرنلی غیر خطی (KPLSR) مورد آزمون قرار گرفتند. جامعه آماری پژوهش حاضر کلیه شرکتهای پذیرفته شده در بورس اوراق بهادار تهران در بازه زمانی 1390 تا 1399 است و از اطلاعات مالی 101 شرکت استفاده شده است. یافتهها: نتایج آزمون پژوهش نشان داد که متغیرهای، اندازه هیئت مدیره، استقلال هیئت مدیره، تخصص مالی هیئت مدیره، اندازه کمیته حسابرسی، استقلال کمیته حسابرسی، مالکیت نهادی بالای 5 درصد، دوره تصدی مدیرعامل، وجود حسابرس داخلی، نسبت تخصص اعضای کمیته و دوگانگی وظایف مدیرعامل بیشترین تأثیر را در پیشبینی سرمایهگذاری دارایی ثابت شرکتها دارند. همچنین در بررسی الگوریتم های هوش مصنوعی خطی و غیرخطی در پیشبینی سرمایهگذاری دارایی ثابت شرکت ها، الگوریتم های خطی نسبت به الگوریتمهای غیرخطی کارایی بیشتری نشان دادند.
The purpose of this research is to model fixed asset investment with the role of regulatory criteria and artificial intelligence approach of companies admitted to the Tehran Stock Exchange. The variables of the companies are selected based on the RRelief-F method. Then the data is divided into K-fold validation, and the data is divided into test and training data by cross-validation. Then the training data is calculated with four linear and non-linear artificial intelligence algorithms PINSVR and linear and non-linear pls. In the training phase of linear and non-linear models after learning, the same training-validation data without the dependent variable is provided to them again to determine the value of the fixed asset prediction variable.The statistical population of the current research is all the companies admitted to the Tehran Stock Exchange in the period from 2012 to 2021, and the financial information of 101 companies was used. The results of the research hypothesis test showed that in terms of regulatory criteria, the size of the board of directors, the independence of the board of directors, the financial expertise of the board of directors, the size of the audit committee, the independence of the audit committee, institutional ownership above 5%, the tenure of the CEO, the existence of an internal auditor, the ratio of expertise Committee members and CEO duality play an important role in predicting firms' fixed investment. Also, linear artificial intelligence algorithms are more efficient in predicting investment in fixed asset of companies than non-linear algorithms.