The modeling the fixed asset investing with a machine learning approach by emphasizing the role of regulatory criteria
Subject Areas : Financial EngineeringFarzaneh Shams Doost 1 , Omid Mahmoudi Khoshro 2 , Ataollah Mohammadi Malgharni 3 , Amir Sheikhahmadi 4
1 - Department of Finance, Sanandaj Branch, Islamic Azad University, Sanandaj, Iran.
2 - Department of Accounting, Sanandaj Branch, Islamic Azad University, Sanandaj, Iran.
3 - Department of Accounting, Sanandaj Branch, Islamic Azad University, Sanandaj, Iran.
4 - Department of Computer Engineering, Sanandaj Branch, Islamic Azad University, Sanandaj, Iran.
Keywords: Artificial Intelligence, Fixed asset invetment, Linear and non-linear models, Regulatory criteria,
Abstract :
Objective: Corporate governance mechanisms and ownership structure can directly impact investors' motivation to encourage management to use available resources efficiently within organizations. The aim of this study is to model fixed asset investment by examining the role of regulatory criteria and artificial intelligence approaches for companies listed on the Tehran Stock Exchange.
Research Methodology: In this research, samples were selected using the Relief-F regression variable selection method. Subsequently, the research data were divided into training, validation, and test sets using ten-fold cross-validation. Then, two parametric and non-parametric algorithms, namely, non-parallel support vector machine (NPSVM) and nonlinear kernel partial least squares (NKPLS), were applied to test the data. The statistical population of this study includes all companies listed on the Tehran Stock Exchange from 2011 to 2020, utilizing financial data from 101 companies.
Findings: The research findings indicate that variables such as board size, board independence, board financial expertise, audit committee size, audit committee independence, institutional ownership above 5%, CEO tenure, the presence of an internal auditor, the proportion of specialized members on the audit committee, and CEO duality have the most significant impact on predicting fixed asset investment in companies. Additionally, among artificial intelligence algorithms, linear algorithms demonstrated greater effectiveness than non-linear algorithms in predicting fixed asset investment.
Originality / Scientific Contribution: Given that unique market characteristics and limited investor awareness of the market, along with behavioral biases, have resulted in inefficiencies and reduced dynamism in the capital market — the core of the country's economy — investors often make erroneous decisions due to inadequate knowledge of these traps. This leads to their withdrawal from the capital market, producing negative consequences for the country. Therefore, by introducing investment opportunities, this study aims to encourage market participants to invest, mitigate financial crises, and prevent significant losses in the stock market.
Ahmed, B., Akbar, M., Sabahat, T., Ali, S., Hussain, A., Akbar, A., & Hongming, X. (2020). Does firm life cycle impact corporate investment efficiency? Sustainability, 13(1), 197-209.
Alipour, H., Tehrani, R., Alirezaei, A., & Abbaspour Esfndan, G. (2021). Providing a Model of the Effect of Uncertainty about the Inflation Rate and More Trust of Managers on the Increase in Investment (Case Study: Fellowship Affiliated Companies in Tehran Stock Exchange). Journal of Investment Knowledge, 10(38), 223-242. [In Persian]
Alpaydın, E. (2021). Machine learning. MIT Press.
Amiri, M., Raeesi Vanani, I., Razavi Hajiagha, S. H., & Jafari, T. (2021). Development of fuzzy Artificial Intelligence and Multi-Objective planning Model to Optimize the Portfolio of Investment Companies. Business Intelligence Management Studies, 9(36), 209-243. [In Persian]
Azad, A. & Pourzamani, Z. (2019). Providing a model for measuring the efficiency of companies with the role of regulatory criteria (cultural approach and Lasso). Financial Economics, 14(53), 65-96. [In Persian]
Azar, A., & Momeni, M. (2009). Statistics and its application in management volume two: statistical analysis. Samt. [In Persian]
Bahreini, A., Fard, M. A., & Khoshnood, M. (2023). Developing an LSTM neural network model for predicting blocktrade transaction valuation. Journal of Advances in Finance and Investment, 4(4), 145-176. [In Persian]
Dash, M., & Liu, H. (1997). Feature selection for classification. Intelligent data analysis, 1(1-4), 131-156.
De Vries, S., & Ter Braak, C. J. (1995). Prediction error in partial least squares regression: a critique on the deviation used in The Unscrambler. Chemometrics and intelligent laboratory systems, 30(2), 239-245.
Feridoni, M., Rezaei, N., Pakmaram, A., & Abdi, R. (2022). Improve Investment Efficiency Based on Cognitive Behavioral Biases CEO by Gray Vikor Analysis. Journal of Investment Knowledge, 11(42), 579-609. [In Persian]
Géron, A. (2022). Hands-on machine learning with Scikit-Learn, Keras, and TensorFlow. O'Reilly.
He, Y., Chen, C., & Hu, Y. (2019). Managerial overconfidence, internal financing, and investment efficiency: Evidence from China. Research in International Business and Finance, 47, 501-510.
Hubbard, R. G. (1998). Capital-market imperfections and investment. Journal of Economic Literature, 36(1), 193-225.
Huerta, R., Corbacho, F., & Elkan, C. (2013). Nonlinear support vector machines can systematically identify stocks with high and low future returns. Algorithmic Finance, 2(1), 45-58.
Jahanshad, A., & Khalili, S. A. (2013). The relationship between stock returns with fixed assets growth a wavelet analysis. Financial Engineering and Portfolio Management, 4(15), 1-15. [In Persian]
Khaleghi Zadeh Dehkordi, M., Sarraf, F., & Najafi Moghadam, A. (2022). Application of artificial intelligence algorithm in predicting investment efficiency Emphasizing the role of risk management criteria. Journal of Investment Knowledge, 11(42), 413-434. [In Persian]
Khoshkar, F., Safari Khah, M., & Ranjbari Share Jini, S. (2020). The effect of ownership structure on the relationship between financial information quality and investment efficiency. Journal of Accounting and Management Vision, 3(33), 162-175. [In Persian]
Kurani, A., Doshi, P., Vakharia, A., & Shah, M. (2023). A comprehensive comparative study of artificial neural network (ANN) and support vector machines (SVM) on stock forecasting. Annals of Data Science, 10(1), 183-208.
Lara, J. M. G., Osma, B. G., & Penalva, F. (2016). Accounting conservatism and firm investment efficiency. Journal of accounting and economics, 61(1), 221-238.
Lv, P., & Xiong, H. (2022). Can FinTech improve corporate investment efficiency? Evidence from China. Research in International Business and Finance, 60, 101571.
Mansourfar, G., Joudi, S., & Poursoleiman, E. (2020). Associate Prof., Department of Finance, Faculty of Management and Economics, Urmia University, West Azarbaijan, Urmia, Iran. Financial Research Journal, 22(2), 227-248. [In Persian]
Mello-Román, J. D., Hernández, A., & Mello-Román, J. C. (2021). Improved Predictive Ability of KPLS Regression with Memetic Algorithms. Mathematics, 9(5), 506-518.
Menshawy, I. M., Basiruddin, R., Mohd‐Zamil, N. A., & Hussainey, K. (2023). Strive towards investment efficiency among Egyptian companies: Do board characteristics and information asymmetry matter? International Journal of Finance & Economics, 28(3), 2382-2403.
Mohammadi, D., Mohammadi, E., Shokri, N., & Heidari, N. (2023). The use of support vector machine and Naive Bayes algorithms and its combination with risk measure and fuzzy theory in the selection of stock portfolio. Journal of Advances in Finance and Investment, 4(4), 177-206. [In Persian]
Naim, P., & Condamin, L. (2019). Operational risk modeling in financial services: The exposure, occurrence, impact method. John Wiley & Sons.
Robnik-Šikonja, M., & Kononenko, I. (1997). An adaptation of Relief for attribute estimation in regression. In Machine learning: Proceedings of the fourteenth international conference (ICML’97), 5, 296-304.
Rosipal, R., & Trejo, L. J. (2001). Kernel partial least squares regression in reproducing kernel hilbert space. Journal of machine learning research, 2(2001), 97-123.
Samet, M., & Jarboui, A. (2017). How does corporate social responsibility contribute to investment efficiency? Journal of multinational financial management, 40, 33-46.
Sayyadi, M., Dastgir, M., & Aliahmdi, S. (2019). Study on Enterprise Risk Management (ERM) effect on managerial ability in order to increasing investment efficiency. Financial Management Strategy, 7(1), 1-38. [In Persian]
Silverstein, B. (2020). Managerial opportunism and corporate investment efficiency. SSRN.
Taghizadeh Khanqah, V., Badavar Nahandi, Y., Mottagi, A., & Taghizadeh, H. (2021). Validation of Investment Efficiency Models Based on Agency Theory, Information Asymmetry, Managerial Entrenchment and Firm value maximization. Journal of Investment Knowledge, 10(38), 287-318. [In Persian]
Tahmooresi, Z., Talebnia, Q., Baradaran Hassanzadeh, R., Mousavi, N. A., & Vakilifard, H. (2024). Modeling The Effective variables on investment efficiency: evidence from Tehran Stock Exchange. Journal of Investment Knowledge, 13(51), 361-384. [In Persian]
Wang, J., Wang, H., & Wang, D. (2021). Equity concentration and investment efficiency of energy companies in China: Evidence based on the shock of deregulation of QFIIs. Energy Economics, 93, 105032.
Yang, Z. M., Hua, X. Y., Shao, Y. H., & Ye, Y. F. (2016). A novel parametric-insensitive nonparallel support vector machine for regression. Neurocomputing, 171, 649-663.
Zhang, X., Hu, Y., Xie, K., Wang, S., Ngai, E. W. T., & Liu, M. (2014). A causal feature selection algorithm for stock prediction modeling. Neurocomputing, 142, 48-59.
Journal of Advances in Finance and Investment Volume 5, Issue 3, 2024 pp. 27-64. Paper type: Research paper
|
The modeling the fixed asset investing with a machine learning approach by emphasizing the role of regulatory criteria
Farzaneh Shams Doost1, Omid Mahmoudi Khoshro2, Ataollah Mohammadi Malgharni3, Amir Sheikhahmadi4
Received: 12/11/2023 Accepted: 15/09/2024
Extended Abstract
Introduction
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. Due to the characteristics of the specific market and lack of sufficient knowledge of the investors towards the market and behavioral trends, it causes that the country's capital market, which is the heart of the country's economy, is not efficient and dynamic enough and it causes investors to make mistakes in their investment decisions due to not knowing enough about this and this has provided the ground for their exit from the capital market and has inappropriate consequences for the country. Therefore, the introduction of investment opportunities will encourage market participants to invest and reduce financial crises and avoid large losses in the stock market.
Literature Review
The purpose of corporate governance is to create an appropriate framework based on which an appropriate balance is established between the interests of various stakeholders, the freedom of management and the accountability of management. In other words, corporate governance is a mechanism that, through its application, problems of representation disarise and the quality of information disclosed by companies improves and respecting the rights of shareholders and all stakeholders, including the government and the general public, will be the focus of attention. In industries where there is a lot of competition, stronger corporate governance mechanisms prevail over it and the existence of competition in the market and among active companies in an industry creates the necessary motivation for managers to perform more efficiently. On the other hand, competition in the product market reduces prices and controller costs in the market. This issue is a great opportunity for investors and competitors. This issue is a great opportunity for investors and competitors. To measure the highest performance of the company among competitors, the presence of capable management can play a role in increasing the efficiency. Each investment buys shares of a company according to the type of taste and information it acquires. According to the type of taste and the information they get, investors buy shares of companies whose investment policies they consider favorable.
Research Methodology
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. To check the learning power of the models using the three evaluation criteria errors MAE, MSE and SMAPE in the training phase for each criterion, the errors are reported for the current year and the next year. 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.
Results
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.
Discussion and Conclusion
Investing in various matters by companies has always been considered as one of the important ways of developing companies and preventing stagnation and backwardness. In the meantime, the limitation in resources has caused that in addition to the development of investment, increasing the efficiency of investment is of great importance. In general, investment efficiency means accepting projects with real value and investment inefficiency means choosing projects with real and negative value. Investment efficiency means that there is no deviation from the expected investment level. Almost the majority of economists, regardless of their school and intellectual point of view, put a lot of emphasis on the formation of capital and carrying out strategy in order to increase capital as the most important determining factor of growth and development. In fact, the investment of each commercial unit should be done according to the limited resources and its efficiency; but the main issue is choosing projects and making decisions about investment opportunities and efficiency by the managers of commercial units, which is based on their personal interests. In other words, information asymmetry and conflict of interests prevent an optimal and efficient investment.
The results of this research show that compared to other artificial intelligence methods, the PINSVR method not only achieves comparable regression performance; but also achieves better estimates. The KPLS method also reduces the dimensions of the feature, this method is able to find a large number of hidden variables. For example, it can represent twenty to thousands of features in a subspace of very small dimensions, which may have a large impact on real-time applications. It also has an output vector that can have multiple labels, so that it can solve multiple related problems in general.
Conflict of Interest
The authors of this article declared no conflict of interest regarding the authorship or publication of this article.
Keywords: Artificial Intelligence, Fixed asset invetment, Linear and non-linear models, Regulatory criteria.
JEL Classification: G1, G11.
پیشرفتهای مالی و سرمایهگذاری
سال پنجم، پاییز 1403 - شماره 3
صفحات 64-26
نوع مقاله: پژوهشی
الگوسازی سرمایهگذاری دارایی ثابت با نقش معیارهای نظارتی و رویکرد هوش مصنوعی
فرزانه شمس دوست5، امید محمودی خوشرو6، عطاءالله محمدی ملقرنی7، امیر شیخاحمدی8
تاریخ دریافت: 21/08/1402 تاریخ پذیرش: 25/06/1403
چکیده
هدف: سازوکارهای حاکمیت شرکتی و ساختار مالکیت قادر هستند که مستقیماً بر روی انگیزه سرمایهگذاران برای وادارکردن مدیریت به استفاده کارا از منابع موجود در سازمانها اثر بگذارند. هدف این پژوهش الگوسازی سرمایهگذاری دارایی ثابت با نقش معیارهای نظارتی و رویکرد هوش مصنوعی شرکتهای پذیرفتهشده بورس اوراق بهادار تهران میباشد.
روششناسی پژوهش: در این پژوهش، نمونهها با استفاده از روش رگرسیون متغیرگزینی ریلیف - اف انتخاب شدند؛ سپس دادههای پژوهش به روش اعتبارسنجی متقابل دهقسمتی به گروههای دادههای آموزش و اعتبارسنجی و دادههای آزمون تقسیم شدند. سپس با دو الگوریتم خطی و غیرخطی بردار پشتیبان غیرموازی غیرحساس پارامتریک و حداقل مربعات جزئی هسته و الگوریتم حداقل مربعات جزئی هسته غیرخطی مورد آزمون قرار گرفتند. جامعه آماری پژوهش حاضر کلیه شرکتهای پذیرفتهشده در بورس اوراق بهادار تهران در دورههای زمانی 1390 الی 1399 است و از اطلاعات مالی 101 شرکت استفاده شده است.
یافتهها: نتایج آزمون پژوهش نشان داد که متغیرهای اندازه (تعداد اعضای) هیئتمدیره، استقلال هیئتمدیره، تخصص مالی هیئتمدیره، اندازه (تعداد اعضای) 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 الگوریتمهای هوش مصنوعی خطی و غیرخطی در پیشبینی سرمایهگذاری دارایی ثابت شرکتها، الگوریتمهای خطی نسبت به الگوریتمهای غیرخطی کارایی بیشتری نشان دادند.
اصالت / ارزشافزوده علمی: باتوجهبه اینکه ویژگیهای خاص بازار و عدم شناخت کافی سرمایهگذاران نسبت به بازار و تورشهاي رفتاري موجب شده که بازار سرمایه کشور که به منزله قلب پیکره اقتصاد کشور به شمار میآید از کارایی و پویایی کافی برخوردار نباشد و سرمایهگذاران به علت عدم شناخت کافی از این دامها در اتخاذ تصمیم سرمایهگذاری خود دچار اشتباه شوند و همین امر زمینه خروج آنها را از بازار سرمایه فراهم آورده و پیامدهاي نامناسبی براي کشور در پی داشته باشد؛ لذا معرفی فرصتهای سرمایهگذاری در این پژوهش موجب ترغیب فعالین بازار به سرمایهگذاری و کاهش بحرانهای مالی و اجتناب از بروز زیانهای بزرگ در بازار سهام خواهد شد.
کلیدواژهها: سرمایهگذاری دارایی ثابت، مدلهای خطی و غیرخطی، معیار نظارتی، هوش مصنوعی.
طبقهبندی موضوعی: G1, G11.
1- مقدمه
سرمایهگذاری در فرآیند ارزشآفرینی شرکت یکی از موضوعات مهم تلقی میشود و میتواند بهعنوان ابزاری مناسب در جهت بسط و توسعه و همچنین جلوگیری از عقبماندگی و رکود شرکت تلقی گردد؛ اما مسئلهای که در اینگونه سرمایهگذاریها از اهمیت بسزایی برخوردار است، میزان سرمایهگذاریها، نرخ بازده سرمایهگذاری و بهطورکلی کارابودن چنین سرمایهگذاریهایی است. بهعبارتدیگر، کارایی سرمایهگذاری یا سرمایهگذاری در حد بهینه مستلزم آن است که از یک سو از مصرف منابع در فعالیتهایی که سرمایهگذاری در آن بیش از حد مطلوب انجام شده است جلوگیری شود و از سوی دیگر، منابع به سمت فعالیتهایی که نیاز به سرمایهگذاری بیشتری دارد هدایت شود (Tahmooresi et al., 2024). سرمایهگذاری یکی از بحثهای مهم در بازار سرمایه است؛ بهطوریکه یک مدیر توانمند میتواند بر ارزش شرکت تأثیرگذار باشد و باعث پویایی در بازدههای آتی سرمایهگذاریهای شرکت گردد؛ کارایی سرمایهگذاری مستلزم آن است که از یک سو از مصرف منابع در فعالیتهایی که سرمایهگذاری در آن بیشتر از حد مطلوب انجام شده است ممانعت شود (جلوگیری از بیش سرمایهگذاری) و از دیگر سو، منابع به سمت فعالیتهایی که نیاز بیشتری به سرمایهگذاری دارد (جلوگیری از سرمایهگذاری کم) هدایت شود. به طور مفهومی، کارایی سرمایهگذاری زمانی حاصل میشود که شرکت تنها در تمام پروژههای با ارزش فعلی مثبت سرمایهگذاری کند. البته این سناریو در صورتی سازگار است که بازار کامل باشد و هیچ یک از مسائل بازار ناقص از جمله گزینش نادرست و هزینههای نمایندگی وجود نداشته باشد (Feridoni et al., 2022). یکی از عوامل مهم جهت حل مسائل اقتصادی کشورها، بسط و توسعه سرمایهگذاری است؛ اما این امر بهتنهایی کافی نیست و باتوجهبه محدودیت منابع مالی، علاوه بر مسئله توسعه سرمایهگذاری، افزایش کارایی سرمایهگذاری نیز از جمله مسائل بااهمیت است؛ به طور مفهومی، کارایی سرمایهگذاری زمانی حاصل میشود که شرکت، فقط در تمامی طرحهایی با ارزش فعلی خالص مثبت سرمایهگذاری کند. در واقع، برخی از نواقص بازار سرمایه مانند عدم تقارن اطلاعاتی و هزینههای نمایندگی، میتواند به فرآیند سرمایهگذاری بیشتر از حد یا سرمایهگذاری کمتر از حد منتهی گردد. به این مفهوم که نه طرحهای با ارزش فعلی خالص مثبت (سرمایهگذاری بیشتر از حد) و نه طرحهای با ارزش فعلی خالص منفی (سرمایهگذاری کمتر از حد) رد نمیشود، است (Khoshkar et al., 2020). پرداختن به موضوع خطر نشان میدهد که واکنش به خطر جنبه مهمی است که در سالهای اخیر در خصوص افزایش کارایی سرمایهگذاری و کاهش ناکارایی سرمایهگذاری موردتوجه زیادی قرار گرفته است. مدیری توانمندتر به شمار میآید که از جنبه واکنش به خطر نیز توانایی خود را بهخوبی به نمایش بگذارد. مواجهه با خطرهای متعدد میتواند توان مدیریت را تحتتأثیر قرار دهد. از این دید چگونگی واکنش به خطر، میدان آزمایشی برای ارزیابی توان مدیریت در جهت تأثیرگذاری بر کارایی سرمایهگذاری است. نااطمینانی حاصل از وجود خطر در عملیات هر شرکتی وجود دارد؛ اما اعتقاد بر این است که نحوه برخورد با خطرها میتواند تهدید ناشی از آن خطر را به فرصتی برای رشد و کارایی سرمایهگذاریهای شرکت تبدیل نماید که البته این به مدیریت خطر شرکت بستگی دارد (Sayyadi et al., 2019). يكي از نقشهای بسيار مهم حسابداري، تخصيص كارآمد سرمايه است؛ بنابراين، تعجبآور نيست كه ادبيات حاضر در اين زمينه، بر نقش حسابداري در تصمیمهای تخصيص سرمايه تمركز دارند؛ ازاینرو، يكي از چالشهای مشترك اين مطالعات چگونگي شناسايي و اندازهگیری كارايي سرمایهگذاری است. از لحاظ تئوري، تخصيص كارآمد سرمايه به معناي گردش سرمايه براي استفاده بهينه و ارزشمند آن است. با وجود اين، مشاهده جريان سرمايه و تمايز ارزشهای بالا و پايين سرمایهگذاری، مشكل است (Naim and Condamin, 2019). رویکرد ترغیب سرمایهگذاران به سرمایهگذاری در شرکتها از اهمیت زیادی برخوردار است. این امر بهویژه زمانی اهمیت بیشتری دارد که سازوکار حاکمیت شرکتی و ساختار مالکیت منابع موجود را بر سرمایهگذاری با استفاده از منابع کارا شناسایی نماید. هر چند برخی مطالعات داخلی بر نقش معیارهای نظارتی بر سرمایهگذاری در بورس اوراق بهادار تهران موردتوجه قرار گرفته است، درعینحال، در این مطالعات بر روی متغیرگزینی برای کاهش میزان خطا و محاسبه روشهای خطی و غیرخطی در پیشبینی سرمایهگذاری در شرکتهای بورسی کمتر تمرکز شده است. ازاینرو، در راستای پوشش این شکاف مطالعاتی، در پژوهش حاضر تلاش شده است الگوسازی سرمایهگذاری دارایی ثابت شرکتهای پذیرفتهشده در بورس اوراق بهادار تهران با نقش معیارهای نظارتی راهبری و رویکرد هوش مصنوعی مورد ارزیابی قرار گیرد و فرضیههای پژوهش بررسی شود: 1) الگوریتمهای خطی و غیرخطی هوش مصنوعی، توانایی پیشبینی سرمایهگذاری در دارایی ثابت شرکتها را دارد. 2) معیارهای نظارتی نظام راهبری شرکتی بر میزان سرمایهگذاری دارایی ثابت شرکتها تأثیرگذار هستند و از طرفی دیگر مسئله اصلی پژوهش در قالب سؤالات پژوهش عبارتند از: 1) تأثیر معیارهای حسابداری نظارتی بر سرمایهگذاری شرکت در دارایی ثابت چگونه است؟ 2) الگوریتمهای خطی و غیرخطی هوش مصنوعی چه تأثیری بر سرمایهگذاری دارایی ثابت دارند؟ شایانذکر است مسئله اساسی که این پژوهش برای حل آن تلاش میکند، ارائه یک استراتژی علمیِ بهینه برای پیشبینی سرمایهگذاری در داراییهای ثابت شرکتها با هدف افزایش بازدهی و کاهش ریسک در بازارهای مالی است.
2- مبانی نظری و پیشینه پژوهش
پیشبینی سرمایهگذاری بسیار ارزشمند است چرا که انسان همیشه در پی یافتن سازوکاری است که بتواند با یک سرمایهگذاری مناسب سود چشمگیری به دست آورد. ازاینرو، همواره افراد به دنبال موقعیتهای اقتصادی بهتر برای سرمایهگذاری میگردند. در این رهگذر، بازارهای مالی موقعیتهای جذابی برای کسب درآمد و تولید ثروت به وجود میآورند؛ کسب سود چشمگیر، نیازمند پذیرش خطر است. چنین خطری بدون برخورداری از دانش و مهارت کافی قابلکنترل نخواهد بود؛ ازاینرو، یکی از مسائل اساسی در مدیریت مالی موضوعِ اداره صحیح فرآیند سرمایهگذاری است که با عنوان بهینهسازی سبد سرمایهگذاری یا بهینهسازی سبد سرمایهگذاری شناخته میشود. بازارها مهمترین جایگاه تخصیص منابع مالی به فعالیتهای اقتصادی در سراسر دنیا به شمار میروند. ازاینرو، توسعه سازوکارهای اثربخش برای مدیریت بهینه فرآیند سرمایهگذاری در این بازارها از اهمیت زیادی برخوردار است؛ در این راستا، شرکتهای سرمایهگذار و مؤسسات مالی نقش بسیار پررنگتری ایفا میکنند؛ ازاینرو، بهینهسازیِ فرآیندِ سرمایهگذاری شرکت سرمایهگذار در این بازارها باعث گردش بهترِ چرخهای تولید ملی و اقتصاد کشور خواهد شد؛ لذا شناسایی و بهکارگیری شیوههای بهینه جهت افزایش بازده و کاهش ریسک ناشی از ورود شرکت سرمایهگذار به این قبیل فعالیتها ضروری و اجتنابناپذیر است (Amiri et al., 2021). واحدهاي تجاري، همواره با فرصتهاي سرمايهگذاري زيادي روبهرو ميشوند و نيازمند تصميمگیری منطقي نسبت به يك سرمايهگذاري بهينه هستند. در واقع، سرمايهگذاري هر واحد تجاري بايد باتوجهبه محدوديت منابع و كارابودن آن صورت بگيرد؛ اما مسئلة اصلي، انتخاب طرحها و تصميمگيري راجع به فرصتها و كارايي سرمايهگذاري به وسيلة مديران واحدهاي تجاري است كه بر اساس منافع شخصي آنها صورت ميگيرد. بهعبارتيديگر، عدم تقارن اطلاعاتي و تضاد منافع، مانع انجام يك سرمايهگذاري بهينه و كارا ميشود (Lara et al., 2016). كارایي سرمایهگذاری به این معني است كه هيچ انحرافي از سطح سرمایهگذاری مورد انتظار وجود نداشته باشد. شرکتهایی كه بالاتر از حد مطلوب سرمایهگذاری میکنند (انحراف مثبت از سرمایهگذاری مورد انتظار) دچار فرآیند سرمایهگذاری بيش از حد میشوند. درحالیکه شرکتهایي كه همه پروژههای سودآور را حفظ نمیکنند انحراف منفي از سرمایهگذاری مورد انتظار، دچار فرآیند سرمایهگذاری كمتر از حد میشوند (Samet and Jarboui, 2017). در تعیین کارایی سرمایهگذاری، حداقل دو معیار نظری وجود دارد: معیار اول بیان میکند که بهمنظور تأمین مالی فرصتهای سرمایهگذاری، نیاز به جمعآوری منابع وجود دارد و معیار دوم عنوان میکند که در یک بازار کارا، همه پروژههای با خالص ارزش فعلی مثبت، باید تأمین مالی شوند. اگر چه، تعداد زیادی از پژوهشهای موجود در حوزه مالی نشان داده است که محدودیتهای مالی، توانایی مدیران در تأمین مالی را محدود میسازد (Hubbard, 1998). عمدتاً جنبههای یادگیری به گونههای مختلف تعریف میشوند؛ بهطوریکه میتوان یک ماشین را برای حل انواع مسائل با ویژگیهایی مانند تشخیص، استفاده از زبان، شکلگیری انتزاعی و مفاهیم کلی شبیهسازی کرد. انواع سیستمهای یادگیری ماشینی به سه دسته تقسیم میشوند: 1) سیستمی که با نظارت انسان آموزش دیده است یا خیر؟ شامل: یادگیری نظارتشده، نظارتنشده و نیمنظارتشده. 2) آیا سیستم در حین فعالیت هم آموزش میبیند؟ شامل یادگیری آنلاین در مقابل یادگیری بسته محور (آفلاین). 3) آیا سیستم فقط دادههای جدید (ناشناخته) را با دادههای موجود (معلوم) مقایسه میکند یا بهجای آن در طی فرآیند آموزش الگوها را تشخیص میدهد (مانند یک دانشمند) مدلی میسازد که بتواند پیشبینی انجام دهد؛ مانند یادگیری نمونه محور در مقابل یادگیری مدل محور. از مزایای هوش مصنوعی میتوان به کاهش خطای انسانی، کمک به انجام کارهای تکراری، دستیار دیجیتالی، تصمیمگیری سریع، حل مسائل پیچیده در اختراعات جدید و یادگیری سریع وظایف اشاره کرد (Géron, 2022). یکی از بهبودهایی که در مطالعات جدید روشهای هوش مصنوعی به کار گرفته شده است، استفاده از انتخاب ویژگی بهعنوان یک پیش مرحله برای مدل طبقهبندیکننده اصلی میباشد؛ بااینحال، طبق پژوهشهای انجامشده، ماشین بردار پشتیبان عملکرد قابلقبولی در پیشبینی سرمایهگذاری دارد؛ اما دقت عملکرد آن به طور قابلتوجهی تحتتأثیر تعداد ویژگیهای متغیرهای ورودی است؛ بنابراین، تعداد ویژگیهایی که باید در یادگیری ماشین استفاده شود، تأثیر بسزایی در افزایش دقت نتایج و کاهش هزینه دارد و باتوجهبه نتایج بسیاری از مطالعات داخلی و خارجی، برتری روشهای ماشین بردار پشتیبان نسبت به روشهایی مانند شبکههای عصبی مصنوعی9 و همچنین روشهای آماری به اثبات رسیده است (Zhang et al., 2014).
خالقی زاده دهکردی و همکاران (Khaleghi Zadeh Dehkordi et al., 2022) کاربرد الگوریتم هوش مصنوعی در پیشبینی کارایی سرمایهگذاری با تأکید بر نقش معیارهای مدیریت ریسک را مورد مطالعه قرار دادند. بدین منظور از اطلاعات مالی 139 شرکت بین سالهای 1388 الی 1397 با استفاده از روشهای هوش مصنوعی ژنتیک و شبکه عصبی استفاده شد. نتایج پژوهش حاکی از تأثیر معیارهای مدیریت ریسک بر کارایی سرمایهگذاری میباشد و همچنین نتایج نشان داد که روش هوش مصنوعی شبکه عصبی نسبت به روش هوش مصنوعی ژنتیک قدرت بالاتری جهت پیشبینی کارایی سرمایهگذاری شرکتهای پذیرفتهشده در بورس اوراق بهادار تهران را دارد. الوی و شیانگ (Lv and Xiong, 2022) در مطالعهای به بررسی این موضوع پرداختند که آیا فناوری اطلاعات میتواند کارایی سرمایهگذاری شرکتی را بهبود بخشد؟ این مطالعه با بهرهبرداری از نمونه بزرگی از شرکتهای فهرستشده چینی و دادههای تابلویی استانی در بازه زمانی 2011 تا 2018، انجام شد و دریافتند که کارایی سرمایهگذاری شرکت به طور مثبت با سطح فناوری اطلاعات مرتبط است. علاوه بر این، هم تنوع مالکیت شرکتها و هم جدایی مالکیت و مدیریت به طور قابلتوجهی ارتباط مثبت را تقویت میکند که نشاندهنده یک اثر مکمل بین تأثیر فناوری اطلاعات بر کارایی سرمایهگذاری شرکتی و دو مکانیسم حاکمیت شرکتی است. منشاوی و همکاران (Menshawy et al., 2023) اهمیت ویژگیهای هیئتمدیره و عدم تقارن اطلاعات را در افزایش کارایی سرمایهگذاری در میان شرکتهای مصری را از سال 2014 تا 2018، مورد بررسی قرار دادند؛ نتایج نشان داد که استقلال هیئتمدیره، پاداش هیئتمدیره و مدیریت هیئتمدیره با کارایی سرمایهگذاری و عدم تقارن اطلاعات مرتبط هستند. این یافتهها در بخشهای سرمایهگذاری بیش از حد و سرمایهگذاریهای کم در سراسر نمونه سازگار بودند. محمدی و همکاران (Mohammadi et al., 2023) به ساختن مدل تصمیمگیری حاصل از تشکیل سبد سرمایهگذاری بهینه سهام شرکتها که با استفاده از الگوریتمهای یادگیری ماشین و نظریه فازی که بازدهی بهتر از میانگین شاخص بورس کل اوراق بهادار داشته باشند پرداختند؛ در این پژوهش که در بازه زمانی 1397 تا 1401 انجام شده است ورودیهای بهینهسازی با روش فازی با هدف کمینهکردن ریسک با سنجههای ریسک ارزش در معرض خطر و ارزش در معرض خطر شرطی مورد بررسی قرار گرفتند نتایج پس از مقایسه الگوریتمها به همراه سنجههای ریسک با بازده واقعی بازار بیانگر برتری سنجه ریسک ارزش در معرض خطر و الگوریتم ماشین بردار پشتیبان در انتخاب سبد سرمایهگذاری بود. بحرینی و همکاران (Bahreini et al., 2023) به ارائه مدلی جامع با استفاده از شبکه مصنوعی حافظه کوتاهمدت طولانی10 برای شناسایی و ارزیابی عوامل مؤثر جهت ارزشگذاری معاملات بلوکی از صورتهای مالی و دادههای تابلویی روزانه معاملات بلوکی 64 شرکت فعال در بازه زمانی سالهای 1390 تا 1400 پرداختند؛ در این پژوهش برای ارزشگذاری معاملات بلوکی از 15 شاخص بهعنوان متغیرهای مستقل استفاده شده است و نتایج نشان داد که شبکه عصبی طراحیشده توانایی پیشبینی ارزشگذاری معاملات بلوکی با استفاده از شاخصهای اندازه بلوک، نوسانات قیمت سهام و بازده صنعت را دارا میباشد. تقیزاده خانگاه و همکاران (Taghizadeh Khanqah et al., 2021) به اعتبارسنجی مدلهای کارایی سرمایهگذاری بر اساس نظریه نمایندگی، عدم تقارن اطلاعاتی، جبههگیری مدیریتی و حداکثرسازی ارزش شرکت اقدام کردند؛ برای این منظور از 180 شرکت برای دوره زمانی 1386 الی 1396 استفاده شده است و یافتهها نشان داد جریانهای نقد آزاد و محدودیت مالی به ترتیب بر سرمایهگذاری بیشتر و کمتر از حد تأثیر مثبت دارد؛ همچنین یافتهها حاکی از آن بود که کارایی سرمایهگذاری بر ارزش افزوده اقتصادی و ارزش شرکت تأثیر مثبت دارد؛ اما این تأثیر از طریق تمام مدلهای کارایی سرمایهگذاری تأیید نشد و نتایج نشان داد که آزمون تمام فرضیهها بر اساس مدل بومی کارایی سرمایهگذاری مورد تأیید واقع شده است. منصورفر و همکاران (Mansourfar et al., 2020) نقش تعدیلگری ابعاد درونی و بیرونی حاکمیت شرکتی بر رابطه بین عدم تقارن اطلاعاتی و کارایی سرمایهگذاری را بررسی کردند. برای دستیابی به اهداف پژوهش، 106 شرکت برای دوره زمانی 1387 تا 1396 انتخاب شدند. طبق مبانی نظری و یافتههای پژوهش، متغیر عدم تقارن اطلاعاتی با کارایی سرمایهگذاری رابطه منفی و معناداری دارد. هی و همکاران (He et al., 2019) به مطالعه و ارزیابی کارایی سرمایهگذاری با رویکرد یادگیری ماشین پیشبینی میپردازند؛ این مقاله یک روش شبکه عصبی خودکار غیرخطی برای ارزیابی عملکرد سرمایهگذاری شرکتهای دولتی پیشنهاد میدهد. این روش با روش سنتی مبتنی بر یادگیری ماشین، مانند رگرسیون خطی، معادله ساختاری، خوشهبندی و تحلیل مؤلفههای اصلی متفاوت است و از روش پیشبینی رگرسیون برای تحلیل کارایی سرمایهگذاری استفاده میشود؛ در ابتدا رابطه بین تنوع مالکیت، اهرم بدهی شرکتها و کارایی سرمایهگذاری شرکتهای دولتی را تحلیل میکنند، در مرحله دوم، مجموعهای از سیستم شاخص ارزیابی کارایی سرمایهگذاری برای شرکتهای دولتی ساخته شد و از یک روش شبکه عصبی خودرگرسیون غیرخطی برای تأیید استفاده شد؛ اطلاعات مربوط به سهام شرکتهای دولتی در شانگهای و شنژن از سال 2009 تا 2018 است که بهعنوان نمونه گرفته شده است و نتایج تجربی نشان میدهد که مقدار خروجی از شبکه عصبی خودرگرسیون غیرخطی بسیار متناسب با دادههای واقعی است؛ این پژوهش تأثیر مستقیم تنوع مالکیت بر کارایی سرمایهگذاری شرکتهای دولتی و تأثیر غیرمستقیم بر کارایی سرمایهگذاری شرکتهای دولتی از طریق اهرم بدهی شرکتها را تأیید میکند. سیلورستین (Silverstein, 2020) به بررسی این سؤال میپردازند که ویژگیهای مدیریتی چگونه بر کارایی سرمایهگذاری شرکتها تأثیر میگذارد؟ پژوهشهای قبلی، کارایی سرمایهگذاری شرکت را بهعنوان تابعی از محیط اطلاعات شرکت و حاکمیت داخلی تعیین میکنند؛ اما این پژوهش بررسی میکند که چگونه فرصتطلبی مدیریتی، یک تعارض نمایندگی است که سیاست سرمایهگذاری شرکتها را تحریف میکند؛ نتایج نشان میدهد که فرصتطلبی مدیریتی کارایی سرمایهگذاری شرکت را کاهش میدهد و تأثیرات منفی بر حسابداری و عملکرد مالی شرکت دارد. احمد و همکاران (Ahmed et al., 2020) در مقالهای به این موضوع میپردازند که آیا چرخه عمر شرکت بر کارایی سرمایهگذاری شرکتها تأثیر میگذارد؟ در این مقاله نقش مراحل چرخه عمر شرکت در تعیین کارایی سرمایهگذاری 351 شرکت در پاکستان طی 12 سال (2005 الی 2016) بررسی شده است. با استفاده از معیارهای مرحله چرخه عمر شرکت دیکینسون، دریافتند که کارایی سرمایهگذاری شرکت در مراحل معرفی و افول پایینتر و در مراحل رشد و بلوغ چرخه عمر شرکت بالاتر است. علاوه بر این، نتایج تجزیهوتحلیل رگرسیون نشان داد که شرکتهای بالغ از بالاترین سطح کارایی سرمایهگذاری و به دنبال آن شرکتهای رشد برخوردار هستند. بهطورکلی، کارایی سرمایهگذاری شرکت در مراحل مختلف چرخه عمر شرکت یک روند U شکل وارونه به نمایش گذاشت. وانگ و همکاران (Wang et al., 2021) یک ابزار مدیریت ریسک با استفاده از یادگیری ماشینی را مورد بررسی قرار دادند که در آن دو سیستم مدیریت هوشمند هوش مصنوعی بر اساس دو الگوریتم شناختهشده ماشینآلات یعنی شبکههای عصبی مصنوعی و درخت تصمیمگیری، توسعه یافته است. این دو سیستم به پنج جفت ارز اصلی (فارکس) با استفاده از سیگنالهای بهدستآمده از یک استراتژی تجاری فاکتور فروش فایقی که ارائه شده است، شامل یک دوره هفت ساله (2010 الی 2016) میشود. شاخصهای فنی و سری زمانی از نقاط ورودی گذشته، سیستم مدیریت هوشمند را بهمنظور طبقهبندی سیگنالهای تولیدشده از استراتژی تجاری به دو دسته تقسیم میکنند: سودآور و غیرسودآور. عرضه اوراق بهادار جدید با استفاده از سیگنال طبقهبندیشده تنها بهعنوان سودآور منجر به افزایش سود بیش از %50 در مقایسه با اصلی است. نتایج بهدستآمده نشان داد که دو سیستم مدیریت هوشمند هوش مصنوعی میتوانند بهبود چشمگیر عملکرد سبدهای سرمایهگذاری سودآور را به دست آورند و ثابت کنند که استفاده از یادگیری ماشین برای ساخت ابزار مدیریت ریسک بسیار امیدوارکننده است. ملو - رومن و همکاران (Mello-Román et al., 2021) در یک مطالعه رویهای را بررسی کردند که ظرفیت تعمیم مدلهای چند متغیره حداقل مربعات جزئی هسته11 را با استفاده از الگوریتمهای ژنتیک بهینه میکند. مقادیر پارامتر تابع هسته و تعداد مؤلفههایی را که مقدار ضریب اعتبار متقابل را حداکثر میکند، انتخاب کردند. در آزمایشهای اولیه پیکربندی الگوریتمهای ژنتیک را اضافه نمودند و یک معیار همگرایی از نظر پراکندگی در برآوردها تعریف کردند. الگوریتمهای ژنتیک عملکرد خوبی را در کار بهینهسازی حداقل مربعات جزئی هسته با راهحلهای همگرا به سمت بهینه جهانی نشان داده است. یانگ و همکاران (Yang et al., 2016) در مطالعهای که مورد بررسی قرار دادند، یک الگوریتم جدید رگرسیون بردار پشتیبان غیرموازی غیرحساس پارامتریک12 را برای رگرسیون دادهها پیشنهاد دادند. بردار پشتیبان غیرموازی غیرحساس پارامتریک به طور غیرمستقیم یک جفت توابع پروگزیمال غیرموازی را با یک جفت توابع پروگزیمال غیرموازی متفاوت با حل دو مسئله برنامهنویسی درجه دوم با اندازه کوچکتر را پیدا میکند. با استفاده از توابع جدید ازدستدادن پارامتری غیرحساس، بردار پشتیبان غیرموازی غیرحساس پارامتریک پیشنهادی به طور خودکار یک منطقه غیرحساس پارامتری انعطافپذیر با شکل دلخواه و حداقل اندازه را تنظیم میکند تا متغیرهای دادهشده را برای گرفتن ساختار نزدیکترین متغیر با دقت بیشتری در بر گیرد. نتایج آزمایش در مقایسه با رگرسیون بردار پشتیبان فازی سلسله مراتبی و رگرسیون بردار پشتیبان فازی دوقلو سلسلهمراتبی و بردار پشتیبان غیرموازی غیرحساس پارامتریک که نشان میدهد نهتنها عملکرد رگرسیون قابلمقایسه را کسب میکند؛ بلکه تخمینهای بهتری را نیز به دست میآورد. هرتا و همکاران (Huerta et al., 2013) در یک مطالعه، سودآوری یک استراتژی معاملاتی را بر اساس آموزش مدل برای شناسایی سهام با بازده مورد انتظار بالاتر یا پایینتر مورد بحث قرار دادند. در این روش، یک طبقهبندیکننده روی مجموعههای توالی تاریخی آموزش داده میشود و روی دادههای آینده آزمایش میشود. طبقهبندیکننده به دلیل سادگی و کارایی آن بهعنوان یک ماشین بردار پشتیبانی غیرخطی13 انتخاب شده است. دامنه دادهها از سال 1981 تا 2010 است. ماشین بردار پشتیبانی یک بار در ماه آموزش میبیند تا با شرایط متغیر بازار سازگار شود. سبدهای سرمایهگذاری با رتبهبندی سهام با استفاده از خروجی طبقهبندیکننده شکل میگیرند. سهمهایی که بالاترین رتبه را دارند برای موقعیتهای خرید و سهمهایی که دارای رتبه پایین هستند برای فروشهای کوتاه استفاده میشوند. طبقهبندی جهانی صنعت استاندارد برای ساخت مدلی برای هر بخش استفاده میشود؛ بهطوریکه در مجموع 8 سبد سهام بلندمدت برای انرژی، مواد، صنایع، الکترونیک، کالاهای اساسی مصرفکننده، مراقبتهای بهداشتی، مالی و فناوری اطلاعات تشکیل میشود؛ نتایج نشان داد که ماشین بردار پشتیبانی خطی کارایی کمتری نسبت به ماشین بردار پشتیبانی غیرخطی دارند. کورانی و همکاران (Kurani et al., 2023) در یک مطالعه، مقایسهای جامع بین شبکههای عصبی مصنوعی و ماشینهای بردار پشتیبان در پیشبینی سهام انجام دادند. در نتایج آزمایش به طور همزمان، ماشینهای بردار پشتیبان با موفقیت در پیشبینی سهام به کار گرفته شدهاند که دقتی در حدود %60 تا %70 را برای ماشینهای بردار پشتیبان ساده میدهد که با ترکیب روشهایی مانند جنگل تصادفی، نتایج دقیقتر الگوریتم ژنتیک، پیشبینی بهبود قابلتوجهی یافت. رگرسیون حداقل مربعات جزئی14 یک تکنیک رگرسیون محبوب است و معمولاً برای تنظیم چندمتغیره ابزارها استفاده میشود. این تکنیک ثابت کرده در شرایطی که تعداد متغیرهای مشاهدهشده (N) به طور قابلتوجهی بیشتر باشد بهتر عمل میکند (De Vries and Ter Braak, 1995).
در اکثر موارد الگوریتم هوش مصنوعی برای تحلیل و پیشبینی سرمایهگذاری در داراییهای ثابت و برای بهینهسازی و بهروزرسانی سبد سرمایهگذاری شرکت سرمایهگذار و برای لحاظکردن شرایط و ترجیحات ویژه شرکت در فرآیند سرمایهگذاری و برای انتخاب یک سبد سرمایهگذاری بهینه از میان تعداد بسیار زیاد داراییها به کار گرفته میشود؛ لذا با بررسی جنبههای نوآوری پژوهش، مشاهده شد که پژوهشی پیرامون سرمایهگذاری در دارایی ثابت با روش هوش مصنوعی در بازه زمانی دهساله انجام نشده است و جامعیت در متغیرهای معیارهای نظارتی به کار گرفته شده و استفاده از روش متغیرگزینی ریلیف - اف15 برای کاهش خطا بهعنوان نوآوریهای پژوهش محسوب میشود. همچنین استفاده از روش اعتبارسنجی متقابل16 با محاسبه چهار الگوریتم روشهای خطی و غیرخطی هوش مصنوعی در کاهش خطاهای پیشبینی از دیگر نوآوریهای پژوهش به شمار میآید.
3- روششناسی پژوهش
پژوهش حاضر به لحاظ هدف، کاربردی و از نظر جمعآوری اطلاعات پسرویدادی است چرا که از اطلاعات گذشته شرکتهای نمونه استفاده میگردد و از لحاظ روش گردآوری دادهها و استنتاج، توصیفی - همبستگي میباشد. از نظر منطق اجرا ترکیبی از قیاس و استقرا است. جامعه آماري اين پژوهش شامل کليه شرکتهای پذیرفتهشده در بورس اوراق بهادار تهران میباشد. نمونه آماري عبارت است از تعداد محدودي از آحاد جامعه آماري که بیانکننده ويژگيهاي اصلي جامعه باشد. در این پژوهش براي اینکه نمونه آماري يک نماينده مناسب از جامعه آماري موردنظر باشد، از روش حذف سیستماتیک استفاده شده است. براي اين منظور 4 معيار در نظر گرفته شده و درصورتیکه شرکتی کلیه معیارها را احراز کرده باشد بهعنوان نمونه پژوهش انتخاب شده و مابقی حذف میشوند. به لحاظ افزایش قابلیت مقایسه سال مالی شرکت منتهی به 29 اسفند بوده و شرکت طی بازه زمانی 1390 تا 1399 سال مالی و نوع فعالیت خود را تغییر نداده باشد. به لحاظ ساختار گزارشگری جداگانهای که شرکتهای سرمایهگذاری و واسطهگری مالی (لیزینگها، بیمهها، هلدینگها، بانکها و مؤسسات مالی) دارند از نمونه حذف میشوند. اطلاعات مالی آنها در بازه زمانی 1390 تا 1399 در دسترس باشد. اطلاعات مالی شرکتها در دسترس باشد. باتوجهبه شرایط مذکور، تعداد 101 شرکت طی مدت 10 سال جهت آزمون فرضیه پژوهش انتخاب شده است. محاسبات دادهها با استفاده از نرمافزار متلب17 و ایویوز18 پردازش میشود. این پژوهش به پیشبینی سرمایهگذاری در دارایی ثابت شرکتها با استفاده از معیار مهم نظارتی میپردازد که پس از بررسی، میزان سرمایهگذاری آینده شرکت در دارایی ثابت بهعنوان متغیر وابسته، با درصدی خطا بهعنوان مدل پیشبینی خواهد شد. فرآیند اندازهگیری متغیرها و شرح چگونگی بررسی آنها از دیدگاه نظارتی در جدول (1) و جدول (2) اندازهگیری عملیاتی متغیرهای پژوهش نشان داده شده است (He et al., 2019).
جدول (1) اندازهگیری عملیاتی متغیرهای مستقل پژوهش (He et al., 2019)
Table (1) Operational measurement of independent research variables (He et al., 2019)
نام متغیر مستقل اولیه | نحوه محاسبات | |
1 | اندازه هیئتمدیره | تعداد اعضای هیئتمدیره |
2 | استقلال هیئتمدیره | نسبت تعداد اعضای غیرموظف به کل اعضای هیئتمدیره |
3 | تخصص مالی اعضای هیئتمدیره | نسبت تعداد اعضای با تخصص مالی به کل اعضای هیئتمدیره |
4 | اندازه کمیته حسابرسی | تعداد اعضای کمیته حسابرسی شرکت |
5 | استقلال کمیته حسابرسی | نسبت تعداد اعضای غیرموظف به کل اعضای کمیته حسابرسی |
6 | درصد مالکان نهادی | مجموع مالکیت بیش از 5 درصد |
7 | تغییر مدیرعامل | اگر مدیرعامل شرکت نسبت به دوره قبل تغییر کرده عدد یک و در غیر این صورت صفر تعلق میگیرد. |
8 | وجود حسابرس داخلی | اگر شرکت واحد حسابرسی داخلی دارد عدد یک و در غیر این صورت عدد صفر استفاده میشود. |
9 | تخصص مالی اعضای کمیته حسابرسی | نسبت تعداد اعضای با تخصص مالی به کل اعضای کمیته حسابرسی |
10 | نقش دوگانه مدیرعامل | اگر مدیر عامل شرکت رئیس یا نایبرئیس هیئتمدیره باشد متغیر مصنوعی یک و در غیر این صورت صفر تعلق میگیرد. |
جدول (2) اندازهگیری عملیاتی متغیر وابسته پژوهش (Jahanshad and Khalili, 2013)
Table (2) operational measurement of the dependent variable of the research (Jahanshad and Khalili, 2013)
نام متغیر وابسته اولیه | نحوه محاسبات عملیاتی | |
1 | سرمایهگذاری در داراییهای ثابت | تفاوت دارایی ثابت اول و آخر دوره تقسیم بر کل داراییها |
متغیرها به روش رگرسیون با استفاده از معیارهای اولیه انتخاب میشوند و با استفاده از الگوریتم هوش مصنوعی به پیشبینی سرمایهگذاری دارایی ثابت پرداخته میشود و سپس نرخ میانگین خطاها استخراج و به مقایسه الگوریتمها باتوجهبه خطاها پرداخته میشود و در نهایت روش برتر برای پیشنهاد به استفاده کنندگان معرفی میشود. پنج فرآیند (سطح) در روش پیشنهادی، به ترتیب عبارت است از انتخاب دادهها، پاکسازی دادهها، تقسیم دادهها به مجموعههای آموزشی و ارزیابی، فرآیند آموزش مدل و ارزیابی مدل آموزش دادهشده با دادههای ارزیابی که تا کنون توسط الگوریتم مشاهده نشده است. بعد از حذف دادههای دورافتاده از مجموعه نمونهها، ویژگیهای مؤثر در پیشبینی سرمایهگذاری دارایی ثابت از دیدگاه عملکرد نظارتی بررسی میشود و به معرفی دو الگوریتم پیشبینی رگرسیون بردار پشتیبان غیرموازی غیرحساس پارامتریک و الگوریتم حداقل مربعات جزئی هسته پرداخته میشود. فرآیند پژوهش بر اساس مدل مفهومی شکل (1) انجام خواهد شد. متغیرهای شرکتها بر اساس روش متغیرگزینی ریلیف - اف انتخاب میشوند. پس از انتخاب متغیرها به روش اعتبارسنجی متقابل دهقسمتی، مجموعه نمونههای شرکت - سال دادهها به گروه دادههای آموزش و اعتبارسنجی19 و دادههای آزمون20 تقسیم میشوند (Alpaydın, 2021). از دادههای آموزش و اعتبارسنجی به منظور یادگیری پارامترها و ابرپارامترهای مدلها و از دادههای آزمون جهت ارزیابی پیشبینی مدلها استفاده میشود. سپس دادههای آموزشی معیارهای مالی با چهار الگوریتم پیشبینی هوش مصنوعی: بردار پشتیبان غیرموازی غیرحساس پارامتریک، خطی و غیرخطی و الگوریتم حداقل مربعات جزئی هسته، خطی و الگوریتم رگرسیون حداقل مربعات جزئی هسته غیرخطی، محاسبه شدند. در مرحله آموزش مدلهای خطی و غیرخطی، پس از یادگیری، مجدداً همان دادههای آموزشی بدون متغیر وابسته به آنها داده میشود تا مقدار رشد دارایی ثابت را پیشبینی کنند؛ سپس قدرت یادگیری و خطای یادگیری این مدلها با استفاده از میانگین ارزیابی خطای درصد قدر مطلق خطای متقارن21، میانگین قدر مطلق خطا22، میانگین مربعات خطا23 برای سال جاری و سال آتی گزارش میشوند. در تمام این خطاها، هر چه 
مقدار خطا به صفر نزدیکتر باشد، الگوریتم مربوطه قدرتمندتر عمل کرده است
شکل (1) مدل مفهومی پژوهش
Figure (1) Conceptual model of the research
روش انتخاب و یافتن اهمیت متغیرهای مستقل مبتنی بر انتخاب متغیرگزینی ریلیف - اف است. این روش از یک راهحل آماری برای انتخاب ویژگی استفاده میکند. این روش یک الگوریتم مبتنی بر وزندهی به متغیرهای مستقل است که ایده آن از الگوریتمهای مبتنی بر نمونه الهام گرفته شده است. در الگوریتم این روش مشاهده میشود که در ادامه به توضیح آن خواهیم پرداخت. این الگوریتم از میان مجموعه D نمونه آموزشی (به عبارتی مجموعه شرکت - سال به همراه مجموعه متغیر مستقل S که در مجموع تعداد متغیرها N) است، یک زیرمجموعه شرکت انتخاب میکند. کاربر تعداد شرکتهای بدون نمونه در این زیرمجموعه بهعنوان مقدار از پیش تعریف شده مشخص میکند. الگوریتم بهصورت تصادفی یک شرکت - سال از این زیرمجموعه را بهعنوان یک نمونه انتخاب میکند؛ سپس مبتنی بر ویژگیهای (متغیرهای مستقل) این نمونه، نزدیکترین برخورد24 و نزدیکترین شکست25 را بر اساس تابع ارزیابی فاصله اقلیدسی پیدا میکند. نزدیکترین برخورد نمونهای (شرکت - سالی) است که کمترین فاصله اقلیدسی را در میان سایر نمونههای همکلاس با نمونه انتخابشده دارد. نزدیکترین شکست نیز شرکت - سالی است که کمترین فاصله اقلیدسی را در میان نمونههایی که همکلاس با نمونه انتخابشده نیستند، دارد. ایده اصلی در این الگوریتم این است که هر چه اختلاف بین اندازه یک ویژگی در شرکت - سال انتخاب شده و نزدیکترین برخورد کمتر باشد، این ویژگی بهتر است (Dash and Liu, 1997).
شکل (2) الگوریتم ریلیف (Dash and Liu, 1997)
Figure (2) Relief algorithm (Dash and Liu, 1997)
در الگوریتم ریلیف هر کدام از متغیرهای مستقل در ابتدا دارای یک وزن W هستند که در شروع الگوریتم مقدار آن برابر صفر است. الگوریتم پس از تعیین نزدیکترین برخورد و نزدیکترین شکست، وزنهای ویژگیها را بهروزرسانی میکند. این بهروزرسانی، به این صورت است که مربع اختلاف بین مقدار ویژگی موردنظر در نمونه انتخاب شده و نمونه نزدیکترین برخورد از وزن ویژگی کم میشود و مربع اختلاف بین مقدار ویژگی در نمونه انتخاب شده و نزدیکترین شکست، به وزن ویژگی اضافه میشود. هر چه مقدار این وزن بزرگتر باشد، ویژگی موردنظر، بهتر میتواند شرکتهای متعلق به یک کلاس را از دیگر شرکتها جدا کند. بعد از تعیین فاصله برای تمام شرکت - سالهای موجود در مجموعه نمونهها، الگوریتم، ویژگیهایی (متغیرهای مستقلی (f)) را که وزن آنها کمتر یا مساوی با یک حد آستانه منفی است را حذف میکند و سایر ویژگیها را بهعنوان زیرمجموعه ویژگی جواب (T)، باز میگردند. مقدار حد آستانه توسط کاربر تعیین میگردد؛ البته ممکن است که بهصورت اتوماتیک بهوسیله تابعی از تعداد کل ویژگیها تعیین شود و یا اینکه با سعی و خطا تعیین گردد. ریلیف برای ویژگیهای نویزی و همبسته خوب عمل میکند و پیچیدگی زمانی آن بهصورت تابعی خطی از تعداد ویژگیهای دادهشده و بدون نمونه است. این الگوریتم برای نمونههای با ویژگیهای پیوسته و اسمی هم خوب کار میکند. یکی از محدودیتهای اساسی این الگوریتم این است که ویژگیهایی که دارای افزونگی26 باشند را پیدا نمیکند و بنابراین، مجموعههای غیربهینه را پیدا میکند که دارای افزونگی هستند. این مشکل را میتوان با یک جستجوی تعیین جامعیت27 برای زیرمجموعههای انتخابشده توسط الگوریتم حل کرد. علاوه بر این، مشکل دیگر الگوریتم این است که با مسائل دوکلاسه خوب کار میکند. این محدودیت نیز با الگوریتم ریلیف - اف مرتفع شده است؛ این الگوریتم میتواند بر روی مجموعه دادهها با مقادیر مفقود و مجموعه دادهها با بیش از دو رده داده کار کند. بهجای انتخاب یکی از نزدیکترین همسایهها که در الگوریتم ریلیف انجام میشود، ریلیف - اف تعدادی از همسایگان یک نمونه انتخابی را مییابد؛ علاوه بر این، ریلیف - اف از یک تابع متفاوت برای محاسبه وزن ویژگیها استفاده میکند. این کار برای مدیریت مجموعه دادههای ناقص انجام میشود که با الگوریتم جدید مشکل دادههای (نمونههای آموزشی غیرکامل) نیز حل شده است (Dash and Liu, 1997).
همچنین، نسخه دیگری از این الگوریتم با نام آرریلیف - اف28 برای مسائل رگرسیون نیز وجود دارد. بعد از اعمال روش انتخاب ویژگی آرریلیف - اف، این نتایج عملکرد نظارتی به دست آمد. این وزنها صرفاً اهمیت متغیر را نشان میدهند و نمیتوان آنها را بهعنوان ضرایب رگرسیون خطی در نظر گرفت. متغیرهای مؤثر در پیشبینی سرمایهگذاری دارایی ثابت از نقطه نظر معیار نظارتی در شکل (3) نشان داده شده است. این معیارها عبارتند از: تعداد هیئتمدیره، استقلال هیئتمدیره، تخصص مالی هیئتمدیره به کل اعضا، تعداد اعضای کمیته حسابرسی، استقلال کمیته حسابرسی، مالکیت نهادی بالای 5 درصد، دوره تصدی مدیرعامل، وجود حسابرس داخلی، نسبت تخصص اعضای کمیته و دوگانگی وظایف مدیرعامل که با روش مذکور انتخاب شدهاند (Robnik-Šikonja and Kononenko, 
1997).
شکل (3) معیارهای عملکرد نظارتی انتخابشده توسط الگوریتم آرریلیف - اف
Figure (3) Monitoring performance criteria selected by RRelief-F
مدل به الگوریتم بردار پشتیبان غیرموازی غیرحساس پارامتریک و حداقل مربعات جزئی هسته داده میشود؛ در ادامه به بررسی این الگوریتمها پرداخته شده است. رگرسیون بردار پشتیبان غیرموازی غیرحساس پارامتریک، برای ارزیابی مدل رگرسیون از طریق تطبیق خودکار ناحیه غیرحساس پارامتریک یک شکل دلخواه و با سایز حداقل باشد؛ بهطوریکه دربرگیرنده دادههای معلوم جهت ذخیره سایز داده و اطلاعات مرزی با دقت بالاتری باشد (Yang et al., 2016).
فرض کنید مجموعه مشاهدات (شرکت - سال) 
تایی به همراه بردار ورودی (متغیرهای مستقل) 
موجود باشد که تمام این شرکت - سالها توسط یک ماتریس داده 
نشان داده شود؛ بهطوریکه 
امین ردیف آن را با 
نشان دهیم و بیانگر متغیرهای مستقل شرکت ام باشد و 
باشد و 
نشاندهنده متغیر وابسته یعنی سرمایهگذاری دارایی ثابت باشد. الگوریتم رگرسیون بردار پشتیبان غیرموازی غیرحساس پارامتریک به دنبال یافتن توابع خطی پروکسیمال غیرموازی 
و 
به طور همزمان و همچنین، دو تابع خطی پروکسیمال غیرموازی متفاوت 
و
است (Yang et al., 2016)؛ این توابع در رابطه (1) نشان داده شدهاند.
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
میانگین | میانه | حداکثر | حداقل | انحراف معیار | چولگی | کشیدگی | |
تعداد (اندازه) هیئتمدیره | 03/5 | 5 | 7 | 5 | 26/0 | 52/7 | 71/54 |
استقلال هیئتمدیره | 66/0 | 60/0 | 00/1 | 00/0 | 19/0 | 19/0- | 31/0 |
تخصص مالی هیئتمدیره | 14/0 | 20/0 | 60/0 | 00/0 | 13/0 | 66/0 | 34/0 |
اعضای کمیته حسابرسی | 40/2 | 00/3 | 00/5 | 000/0 | 35/1 | 90/0 | 23/0 |
استقلال کمیته حسابرسی | 56/0 | 67/0 | 00/1 | 00/0 | 35/0 | 62/0- | 86/0- |
مالکیت نهادی | 89/70 | 93/74 | 00/100 | 00/0 | 31/19 | 15/1- | 22/1 |
دوره تصدی مدیرعامل | 46/3 | 00/2 | 00/19 | 00/1 | 99/2 | 81/1 | 51/3 |
حسابرس داخلی | 49/0 | 00/0 | 00/1 | 00/0 | 50/0 | 06/0 | 00/2- |
نسبت تخصص اعضای کمیته | 55/0 | 67/0 | 00/1 | 00/0 | 38/0 | 32/0- | 33/1- |
دوگانگی وظایف مدیرعامل | 85/0 | 00/1 | 00/1 | 00/0 | 36/0 | 93/1- | 71/1 |
دارایی ثابت | 57/0 | 06/0 | 79/45 | 82/0- | 73/2 | 22/11 | 09/157 |
در تفسیر نتایج آمار توصیفی مربوط به میانگین 37/14 برای اندازه هیئتمدیره میتوان بیان کرد که تقریباً نمونه آماری شامل شرکتهای بزرگ و کوچک بوده است و باتوجهبه میانگین اندازه هیئتمدیره، 03/5 میتوان بیان کرد بیشتر شرکتها دارای 5 عضو هیئتمدیره بودهاند و باتوجهبه اینکه استقلال کمیته حسابرسی و هیئتمدیره بیشتر از 5/0 است میتوان بیان کرد که اکثر شرکتها از اعضای غیرموظف در ترکیب هیئتمدیره و کمیته حسابرسی استفاده کردهاند. تنظیم و طبقهبندی دادهها، نمایش ترسیمی و محاسبه مقادیری از قبیل میانگین، میانه و... میباشد که حاکی از مشخصات یکایک اعضای جامعه مورد بحث است. در آمار توصیفی اطلاعات حاصل از یک گروه، همان گروه را توصیف میکند و اطلاعات بهدستآمده به دستهجات مشابه تعمیم داده نمیشود. انحراف معیار نیز بهعنوان یکی از شاخصهای پراکندگی نشان میدهد بهطور میانگین دادهها چه مقدار از مقدار متوسط فاصله دارند. بیشترین پراکندگی از میانگین مربوط به مالکیت نهادی و کمترین مربوط به تخصص مالی هیئتمدیره میباشد. آمار توصیفی متغیر کیفی پژوهش بهصورت توزیع فراوانی به شرح جدول (4) ارائه میگردد.
جدول (4) توزیع فراوانی در مطالعه
Table (4) Frequency distribution in the study
[1] . Department of Finance, Sanandaj Branch, Islamic Azad University, Sanandaj, Iran.
[2] . Department of Accounting, Sanandaj Branch, Islamic Azad University, Sanandaj, Iran. (Corresponding Author). omkhoshro@iausdj.ac.ir
[3] . Department of Accounting, Sanandaj Branch, Islamic Azad University, Sanandaj, Iran.
[4] . Department of Computer Engineering, Sanandaj Branch, Islamic Azad University, Sanandaj, Iran.
How to cite this paper: Shams Doost, F., Mahmoudi Khoshro, O., Mohammadi Malgharni, A., & Sheikhahmadi, A. (2024). Modeling fixed asset investment using a machine learning approach with emphasis on the role of regulatory criteria. Advances in Finance and Investment, 5(3), 27-64. [In Persian]
https://doi.org/00.00000/afi.0000.0000000.0000
[5] 1. گروه مالی، واحد سنندج، دانشگاه آزاد اسلامی، سنندج، ایران.
[6] 2. گروه حسابداری، واحد سنندج، دانشگاه آزاد اسلامی، سنندج، ایران. (نویسنده مسئول). omkhoshro@iausdj.ac.ir
[7] 3. گروه حسابداری، واحد سنندج، دانشگاه آزاد اسلامی، سنندج، ایران.
[8] . گروه مهندسی کامپیوتر، واحد سنندج، دانشگاه آزاد اسلامی، سنندج، ایران.
استناد: شمس دوست، فرزانه؛ محمودی خوشرو، امید؛ محمدی ملقرنی، عطاءالله؛ شیخاحمدی، امیر. (1403). الگوسازی سرمایهگذاری دارایی ثابت با نقش معیارهای نظارتی و رویکرد هوش مصنوعی. پیشرفتهای مالی و سرمایهگذاری، 5(3). 64-26.
[9] . Artificial Neural Networks (ANN)
[10] . Long Short Term Memory (LSTM)
[11] . Kernel Partial Least Squares (KPLS)
[12] . Parametric Insensitive Nonparallel Support Vector Regression (PINSVR)
[13] . Support Vector Machine (SVM)
[14] . Partial Least Squares (PLS)
[15] . Relief-F
[16] . K-Fold Cross Validation
[17] . MATLAB
[18] . Eviews
[19] . Training and Validation Data
[20] . Test Data
[21] . Symmetric Mean Absolute Percentage Error (SMAPE)
[22] . Mean Absolute Error (MAE)
[23] . Mean Squared Error (MSE)
[24] . Nearest Hit
[25] . Nearest Miss
[26] . Rdundant
[27] . Subsequent Exhaustive
[28] . Regressional Relief-F (RRelief-F)
[29] . One Side Parametric Insensitive Loss Function (OSPILF)
[30] . Regularization Term
[31] . Lease Squares
[32] . Slack Vector
[33] . Karush Kuhn Tucker (KKT)
[34] . Ordinary Least Squares (OLS)
[35] . Underfitting
[36] . Overfitting
Related articles
-
Presenting a model for the implementation of fintech in the banking industry of Iran
Print Date : 2022-08-23 -
-
The rights to this website are owned by the Raimag Press Management System.
Copyright © 2021-2024