هدف اصلی این پژوهش مدلبندی و تعیین توان مدیریت سرمایه در گردش در پیشبینی ورشکستگی مالی شرکتها با استفاده از الگوریتمهای هوش مصنوعی است. جامعه آماری پژوهش متشکل از ۱۲۰ شرکت پذیرفته شده در بورس اوراق بهادار تهران طی سالهای ۱۳۸۷-۱۳۹۸ است. در راستای دستیابی به اهداف پژ أکثر
هدف اصلی این پژوهش مدلبندی و تعیین توان مدیریت سرمایه در گردش در پیشبینی ورشکستگی مالی شرکتها با استفاده از الگوریتمهای هوش مصنوعی است. جامعه آماری پژوهش متشکل از ۱۲۰ شرکت پذیرفته شده در بورس اوراق بهادار تهران طی سالهای ۱۳۸۷-۱۳۹۸ است. در راستای دستیابی به اهداف پژوهش، ابتدا با مطالعه پژوهشهای پیشین در حوزه درماندگی مالی 12 نسبت مالی اثرگذار بر ورشکستگی مالی انتخاب شده است. پس از محاسبه نسبتها از آزمون مقایسه میانگین استفاده شده است تا نسبتهایی که تفاوت معناداری میان دو گروه ورشکسته و غیرورشکسته مالی دارند، برای محاسبه در مدلهای پیشبینی در نظر گرفته شوند که نتایج نشان داد هر 12 متغیر برای استفاده در مدلها مناسب هستند. سپس، به منظور بررسی توان مدیریت سرمایه در گردش در پیشبینی ورشکستگی مالی شرکتها، به مقایسه مدلهای پژوهش با توجه و بدون توجه به متغیر مدیریت سرمایه در گردش بر مبنای پنج مدل شبکه عصبی پرسپترون چند لایه، ماشین بردار پشتیبان، درخت تصمیم، رگرسیون لجستیک و تحلیل ممیزی چندگانه پرداخته شده است. نتایج مقایسه مدلهای پیشبینی ورشکستگی نشان داد مدل شبکه عصبی پرسپترون چند لایه، نسبت به سایر مدلها دارای بیشترین قدرت در پیشبینی شرکتها از لحاظ ورشکستگی مالی و سالم بودن است. همچنین، نتایج مقایسه مدلها نشان داد با توسعه مدل پژوهش، از طریق وارد کردن متغیر مدیریت سرمایه در گردش، خطای آموزش مدل شبکه عصبی پرسپترون چند لایه بـه مقـدار 036/0 کـاهش و بر دقت مدل تا 75 درصد افزوده میشود.
تفاصيل المقالة
هدف اصلی این مقاله بررسی نقش چرخه عمر در اثرگذاری ساز وکارهای حاکمیت شرکتی بر احتمال ورشکستگی مالی شرکت ها در بورس اوراق بهادار تهران است. برای این منظور، در ابتدا ورشکستگی مالی 60 شرکت طی سالهای 1388 الی 1395 براساس مدل زیمسکی محاسبه شد، سپس تاثیر سازوکارهای حاکمیت ش أکثر
هدف اصلی این مقاله بررسی نقش چرخه عمر در اثرگذاری ساز وکارهای حاکمیت شرکتی بر احتمال ورشکستگی مالی شرکت ها در بورس اوراق بهادار تهران است. برای این منظور، در ابتدا ورشکستگی مالی 60 شرکت طی سالهای 1388 الی 1395 براساس مدل زیمسکی محاسبه شد، سپس تاثیر سازوکارهای حاکمیت شرکتی و سایر متغیرهای توضیحی برای سه گروه از شرکتهای در مرحله رشد، افول و بلوغ با استفاده از مدل لاجیت دادههای تابلویی به روش اثرات تصادفی بررسی گردید. نتایج بیانگر آن است که ضرائب تمامی متغیرهای در سطح اطمینان 95 درصد از لحاظ آماری معنی دار می باشند. به طوریکه، اندازه شرکت، استقلال هیئت مدیره، مالکیت عمده و مالکیت مدیران اثری منفی و اندازه هیئت مدیره و اهرم مالی تاثیری مثبت بر احتمال قرارگیری شرکتها در وضعیت ورشکستگی دارند، در حالیکه پاداش هیئت مدیره تاثیری مثبت بر احتمال ورشکستگی شرکتهای در مرحله افول و تاثیری منفی بر احتمال ورشکستگی شرکتهای در مرحله بلوغ و رشد دارد.
تفاصيل المقالة
چهار رویکرد عمده در تحلیلهای مالی ، قابل تعریف است. رویکرد سنتی ، فراسنتی، مدرن و فرامدرن. در نظریه بدیع منظومه تاب آوری کسب و کارها، در اندازه گیری ریسکهای مالی و یا غیر از آن ، فضایی فراهم می آید تا با جامع نگری و نیز در نظر گرفتن حاکمیت پارادایم اقتضایی، امکان سنجش ش أکثر
چهار رویکرد عمده در تحلیلهای مالی ، قابل تعریف است. رویکرد سنتی ، فراسنتی، مدرن و فرامدرن. در نظریه بدیع منظومه تاب آوری کسب و کارها، در اندازه گیری ریسکهای مالی و یا غیر از آن ، فضایی فراهم می آید تا با جامع نگری و نیز در نظر گرفتن حاکمیت پارادایم اقتضایی، امکان سنجش شاخص های مالی و غیر از آن به شکل موردی و یا جامع ، فراهم آید.از داده های آماری شرکت های بورسی در دوره ی زمانی ۱۳۹۰ الی ۱۳۹۸ استفاده شد. در این پژوهش با استفاده از روش های مختلفی مبتنی بر ابزارهای نوآورانه مالی،توان این ابزارها در برآورد درماندگی مالی، دیدگاههای سنتی ، فراسنتی،مدرن و فرامدرن به مقایسه گذاشته میشود. در نهایت مشخص شد که روش مهندسی مالی با تکیه بر نظریه منظومه تاب آوری کسب وکارها در تعیین درماندگی مالی، از نوسان برآورد کاسته و بر دقت برآورد درماندگی مالی می افزایند. البته باید در کنار روش های نوین، همواره به روش های سنتی به عنوان شاخص هایی برای تعیین میزان حدودی درماندگی مالی و در جهت مقایسه توجه داشت.
تفاصيل المقالة
ورشکستگی یا شکست کسب و کار می تواند تاثیر منفی هم روی خود شرکت و هم اقتصاد جهانی داشته باشد. در این پژوهش ارائه پیش بینی ریسک ورشکستگی مالی شرکت های بورسی و فرابورسی با بهره گیری از الگوریتم های یادگیری ماشین صورت گرفته است، که در آن هدف پیش بینی نهایی ریسک ورشکستگی مال أکثر
ورشکستگی یا شکست کسب و کار می تواند تاثیر منفی هم روی خود شرکت و هم اقتصاد جهانی داشته باشد. در این پژوهش ارائه پیش بینی ریسک ورشکستگی مالی شرکت های بورسی و فرابورسی با بهره گیری از الگوریتم های یادگیری ماشین صورت گرفته است، که در آن هدف پیش بینی نهایی ریسک ورشکستگی مالی شرکت های بورسی و شرکت های فرابورسی است. یادگیری جمعی، حوزه ای از یادگیری ماشین هست که در آن به جای اینکه از یک مدل برای حل یک مسئله استفاده کنند، از چندین مدل به صورت ترکیبی استفاده می کنند تا توان تخمین خروجی مدل را بالاتر ببرند. هر مدل با بهره گیری از ویژگی های بهینه مورد آموزش مجدد قرار می گیرد. در نتیجه دقت پیش بینی مدل یادگیری ماشین به روش Stacking که یکی از قوی ترین تکنیک های یادگیری جمعی است، برای پیش بینی ریسک ورشکستگی مالی از روش های مشابه بالاتر است.
تفاصيل المقالة
با توجه به نگرانیهایی که سرمایهگذاران از بازگشت اصل و سود سرمایه دارند و پیامدها و هزینههایی که وقوع ورشکستگی برای شرکتها و اقتصاد کشور و سایر افراد و نهادها میتواند ایجاد نماید، طراحی یک مدل قابل اطمینان جهت پیشبینی احتمال وقوع ورشکستگی شرکتها برای راهنمایی برا أکثر
با توجه به نگرانیهایی که سرمایهگذاران از بازگشت اصل و سود سرمایه دارند و پیامدها و هزینههایی که وقوع ورشکستگی برای شرکتها و اقتصاد کشور و سایر افراد و نهادها میتواند ایجاد نماید، طراحی یک مدل قابل اطمینان جهت پیشبینی احتمال وقوع ورشکستگی شرکتها برای راهنمایی برای تصمیمگیرندگانی همچون شرکت-های سرمایهگذاری، بانکها و دولت ضروری به نظر میرسد. در این پژوهش از روش شبکه عصبی مصنوعی و روش رگرسیون لوجیت جهت پیشبینی ورشکستگی تعدادی از شرکتهای پذیرفته شده در بورس اوراق بهادار تهران طی سالهای 1395 تا 1399 استفاده شده و نتایج با روش رگرسیون لوجیت مقایسه شده است. میزان دقت کلی پیشبینی روش شبکه عصبی مصنوعی برای هریک از سال-های t، t-1، t-2 و t-3 به ترتیب برابر با 55/96 % ، 55/96 % ،24/92 % و 24/92 % و برای روش رگرسیون لوجیت برای همین سالها به ترتیب 94% ، 82/94% ، 51/90% و 06/87% میباشد که نشان داد روش شبکه عصبی مصنوعی از دقت بالاتری نسبت به روش رگرسیون لوجیت برخوردار می باشد. لذا می توان نتیجه گرفت که روش شبکه عصبی مصنوعی ابزار مناسبتری برای پیشبینی ورشکستگی شرکتها در اختیار قرار میدهد.
تفاصيل المقالة
با پیشبینی نابسامانی مالی، پیشگیریها و اقدامات مقتضی لازم توسط مدیران و سرمایهگذاران انجام شود. پژوهش حاضر، دو مدل پیش بینی ورشکستگی با استفاده از شبکه عصبی و الگوریتم فراابتکاری کرم شبتاب در بورس اوراق بهادار تهران، آزمون و نتایج با هم مقایسه می شود. برای اجرای آزم أکثر
با پیشبینی نابسامانی مالی، پیشگیریها و اقدامات مقتضی لازم توسط مدیران و سرمایهگذاران انجام شود. پژوهش حاضر، دو مدل پیش بینی ورشکستگی با استفاده از شبکه عصبی و الگوریتم فراابتکاری کرم شبتاب در بورس اوراق بهادار تهران، آزمون و نتایج با هم مقایسه می شود. برای اجرای آزمون ابتدا یک مقادیر اولیه برای وزنها و بایاسهای شبکه تعیین شده و سپس در طی پروسه بهینهسازی، جمعیتی از وزنها و بایاسهای مختلف توسط الگوریتم کرم شبتاب تولید میشوند. تابع تبدیل مورد استفاده در لایه خروجی از نوع خطی و برای لایه میانی یک تابع غیرخطی سیگمویدی انتخاب شده است. برای انجام این پژوهش دادههای 79 شرکت در بازه زمانی 1391 تا 1394 گردآوری و با بهکارگیری الگوریتمهای شبکه عصبی پس انتشار و کرم شب تاب تجزیه و تحلیل شدند. یافتههای این پژوهش نشان می دهد که شبکه عصبی بهینه شده بوسیله الگوریتم کرم شبتاب عملکرد بهتری نسبت به شبکه عصبی پس انتشار خطا در پیشبینی ورشکستگی شرکتهای نمونه دارد. همچنین الگوریتم کرم شبتاب به خوبی نسبت بین شرکتهای ورشکسته و عدم ورشکسته را همانند داده های واقعی حفظ کرده است.
تفاصيل المقالة
سند
Sanad is a platform for managing Azad University publications