Investigating the Process of Influencing the Information Content Uncertainty of Financial Statement Components in Predicting Future Stock Prices over Time
Subject Areas : Financial accounting
Ali Akbar Sargholi Notarki
1
,
Allah Karam Salehi
2
*
,
Alireza Jorjorzadeh
3
1 - Ph.D. Candidate, Department of Accounting, Ahvaz Branch, Islamic Azad University, Ahvaz, Iran
2 - Assistant Prof., Department of Accounting, Masjed Soleyman Branch, Islamic Azad University, Masjed Soleyman, Iran.
3 - Assistant Prof., Department of Economics, Ahvaz Branch, Islamic Azad University, Ahvaz, Iran.
Keywords: Information content, Entropy, Uncertainty in financial statements, Future stock returns, TVP-PVAR,
Abstract :
Collecting information in accounting is summarized in three main financial statements: balance sheet, profit and loss, and cash flow. Any uncertainty in calculating this information will affect the capital market efficiency and the deviation of investors' decisions. Finally, this will reduce the accuracy of predicting future stock prices. As a result, the main problem of the current research is investigating the process of influencing the information content uncertainty of financial statement components in predicting the future stock price over time. The current study is in the field of applied research. The period of the research is 2012 to 2023 in the listed companies on the Tehran Stock Exchange. The TVP-PVAR approach has been used in MATLAB 2021 software. Based on the results, it is clear that in the average short-term, medium-term, and long-term intervals, the combination of uncertainties affects stock price prediction more than the simple one. The increase of triple uncertainty combinations (uncertainty combination of profit and loss statement components, balance sheet, and cash flow statement), is stronger than binomial combinations on stock price prediction. Also, this forecast in the cash flow statement is more than the balance sheet and in the balance sheet is more than the profit and loss statement. In other words, it can be said that uncertainty in the cash flow statement more than in other financial statements reduces the accuracy of the future forecast of stock prices.
اسدی، غلامحسین، پورباقریان، علیرضا. (1389). رابطه رویکردهای تأمین مالی با بازده آتی سهام. مطالعات تجربی حسابداری مالی، 8(29)، 139-153.
آذر، عادل. (1398). آمار و کاربرد آن در مدیریت، جلد اول. تهران، انتشارات سازمان مطالعه و تدوین کتب علوم انسانی دانشگاه‌ها (سمت).
آقایی، محمد علی، خلیلی، مهدی. (1395). حساسیت بازده به تغییرات عدم اطمینان ناشی از سود. پیشرفت‌های حسابداری، 8(2)، 41-64.
بولو، قاسم و مسعود، حسنی القار. (1393). ارتباط میان کیفیت سود، عدم تقارن اطلاعاتی و هزینه حقوق صاحبان سهام. مجله دانش حسابداری، شماره 17، 76-49.
حسنی، زهره، و رشوندی، فاطمه. (1401). تأثیر اطلاعات حسابداری بر بازار سهام. ششمین کنفرانس بین المللی و ملی مطالعات مدیریت، حسابداری و حقوق. SID. https://sid.ir/paper/902107/fa
خلیلی، مهدی.، آقایی، محمدعلی و قایمی، محمدحسین. (1398). ارائه الگویی برای کمی کردن محتوای اطلاعات با استفاده از تئوری اطلاعات. مجله پژوهش‌های حسابداری مالی، سال یازدهم، شماره سوم، پیاپی 41، 18-1.
سعیدی اقدم مهران، صادقی احمد، بحیرایی علیرضا، حاجی اصغری سید یوسف. (۱۴۰۱). ارائه مدل پیشبینی قیمت سهام با استفاده از الگوریتم‌های یادگیری عمیق و کاربرد آن در قیمت‌گذاری سهام بانک‌های اسلامی. نشریه اقتصاد و بانکداری اسلامي. ۱۱ (۴۱)، ۱۱۷-۱۳۴
سلطانی‌پور ساردو، مجتبی، (1403). بررسی تأثیر سرمایه‌گذاران نهادی و آنتروپی صورت‌های مالی بر بازده سهام در شرکت‌های پذیرفته شده در بورس اوراق بهادار تهران، بیستمین کنفرانس ملی اقتصاد، مدیریت و حسابداری، شیروان، https://civilica.com/doc/2070243
عبداله زاده، سلام. کامبیز، فرقان‌دوست حقیقی و حامد، آراد. (1392). بررسی آنتروپی صورت‌های مالی و اثر آن بر تغیيرات سود در صنایع بورس اوراق بهادار تهران. مجله دانش حسابرسی، شماره 13، دوره 52، 133-99
کریمیان، ولی‌اله، شمس، امیر. (1403). بررسی اثر محتوای اطلاعاتی اعلامیه‌های سود سالانه بر تغییرات قیمت سهام. حسابداری و بودجه‌ریزی بخش عمومی، 5(1)، 89-65.
Abdollahzadeh, S., Forqandost haqiqi, K. and Arad, H. (2013). Review the relationship between entropy and profit variables in industries of Tehran Stock Exchange. Journal of Audit Science, 13(52), 99-133. ]In Persian[.
Aghaei, M. and Khalili, M. (2017). Sensitivity to returns due to uncertainty changes of earnings. Journal of Accounting Advances, 8(2), 41-64. doi: 10.22099/jaa.2017.4048. ]In Persian[.
Arkan, T. (2016). The Importance of Financial Ratios in Predicting Stock Price Trends: A Case Study in Emerging Markets. Finanse, Rynki Finansowe, Ubezpieczenia, 79 (1), 13-26.
Asadi, G. and Pourbagherian, A. (2010). Surveying the Relation between Financing Methods and Future Stock Return. Empirical Studies in Financial Accounting, 8(29), 139-153. ]In Persian[.
Azar, Adel. (2019). Statistics and its application in management, Volume 1. Tehran, The Organization for Researching and Composing University Textbooks in the Humanities (Samt). ]In Persian[.
Bernhardt, I., and Copeland, R. M. (2018). Some problems in applying an information theory approach to accounting aggregation. Journal of Accounting Research, 8(1), 95-98.
Blue, G. and Hasani Alghar, M. (2014). Relations among Earnings Quality, Information Asymmetry and Cost of Equity. Journal of Accounting Knowledge, 5(17), 49-75. doi: 10.22103/jak.2014.724. ]In Persian[.
Chen, Y., Fang, R., Liang, T. (2021). Stock price forecast based on CNN-BiLSTM-ECA Model. Scient Program, 1-20.
Chen, Z. and Epstein, L. (2002). Ambiguity, risk, and asset returns in continuous time, Econometrica, 70(4), 1403–1443.
Dai, Z., Dong, X., Kang, J. and Hong, L. (2020). Forecasting stock market returns: New technical indicators and two-step economic constraint method. The North American Journal of Economics and Finance, Volume 53, 101216. https://doi.org/10.1016/j.najef.2020.101216
Dănescu, T. and Stejerean RM. (2022). Companies' behavior in measuring the quality of financial reports: pre-and post-pandemic research. Front Psychol. 19;13:1005941. doi: 10.3389/fpsyg.2022.1005941. PMID: 36600718; PMCID: PMC9807020.
Elia, F., and Stubben, S. R. (2019). The role of financial reporting in resolving uncertainty about corporate investment opportunities. Journal of Accounting and Economics, Elsevier, vol. 68(2).
Espinosa-Paredes, G., Rodriguez, E., & Alvarez-Ramirez, J. (2022). A singular value decomposition entropy approach to assess the impact of Covid-19 on the informational efficiency of the WTI crude oil market. Chaos Solitons Fractals, 160, 112238.
Glezakos, M., Mylonakis, J., and Kafouros, C. (2012). The Impact of Accounting Information on Stock Prices: Evidence from the Athens Stock Exchange. International Journal of Economics and Finance, 2, 56-68.
Habib, A. (2008). The role of accruals and cash flows in explaining security returns. Journal of International Accounting, Auditing and Taxation, 17, 51-66.
Hartley, R. T. V. (1928), Tranmission of information. Bell System Technical Journal, Vol 7, 535-563
Hassani, Z., and Roshwandi, F. (2022). The Impact of Accounting Information on the Stock Market. The 6th International and National Conference on Management Studies, Accounting and Law. https://sid.ir/paper/902107/fa. ]In Persian[.
Hauzenberg, N., Huber, F., Koop, G. and Mitchell, J. (2023). Bayesian Modeling of Time-Varying Parameters Using Regression Trees. Working Papers 23-05, Federal Reserve Bank of Cleveland. doi:10.26509/frbc-wp-202305
Hauzenberger, N. (2020). Flexible Mixture Priors for Large Time-varying Parameter Models. Papers 2006.10088, arXiv.org, revised Nov 2020.
Heo, J. and Yong, J. (2020). Stock Price Prediction Based on Financial Statements Using SVM. International Journal of Hybrid Information Technology, 9(2), 57-66.
Huy, D.T.N., Nhan, V.K., Bich, N.T.N., Hong, N.T.P., Chung, N.T., and Huy, PQ. (2021). Impacts of internal and external macroeconomic factors on firm stock price in an expansion econometric model—a case in Vietnam real estate industry. Data Sci Financ Economet. Studies in Computational Intelligence, 898,189-205.
Jia, Y., Anaissi, A., and Suleiman B. (2024). ResNLS: An improved model for stock price forecasting. Computational Intelligence, 40(1): e12608. doi: 10.1111/coin.12608
Joshua, C.C. Chan and Rodney W. Strachan. (2023). Bayesian State Space Models in Macroeconometrics. Journal of Economic Surveys, Wiley Blackwell, 37(1), 58-75.
Karimian, V. and Shams, A. (2024). Investigating the effect of information content of annual profit announcements on stock price changes. Public Sector Accounting and Budgeting, 5(1), 65-89. doi: 10.22034/psab.2024.193013. ]In Persian[.
Khalili, M. , Aghaei, M. A. and Ghaemi, M. H. (2019). Provide models for quantitication of information content using information theory. Financial Accounting Research, 11(3), 1-18. doi: 10.22108/far.2019.116290.1437. ]In Persian[.
Kim, H., Kim, H.M. and Lee, P.M. (2008). Ownership structure and the relationship between financial slack and R&D investments: Evidence from Korean firms, Organization Science 19(3), 404–418.
Koushki, A., Osoolian, M., & Sadeghi Sharif, S. J. (2023). An uncertainty measure based on Pearson correlation as well as a multiscale generalized Shannon-based entropy with financial market applications. International Journal of Nonlinear Sciences and Numerical Simulation, 24(5), 1821-1839
Lin, J. (2024). Measuring and analyzing the information entropy value of key Audit matters (KAMs) disclosure at the system and reporting scale. Heliyon, 10(1), e23255. https://doi.org/10.1016/j.heliyon.2023.e23255
Lupu, R., et al. (2022). Entropy as Leading Indicator for Extreme Systemic Risk Events. Romanian Journal of Economic Forecasting, 25(4), 58.
Moradi, M., Jafari-Daredor, M. and Hosseinzadeh, S. (2019). Challenges and opportunities for measuring fair value in international financial reporting standards adoption in Iran. J. Account. Audit. Rev. 26 (3), 456–481.
Nyquist, H., (1924), Certain Factors Affecting Telegraph Speed, The Bell System Technical Journal, 3(2), 324 – 346.
Obthong, M., Tantisantiwong, N., Jeamwatthanachai, W. and Wills, G. (2020). A Survey on Machine Learning for Stock Price Prediction: Algorithms and Techniques. Paper presented at 2nd International Conference on Finance, Economics, Management and IT Business, Prague, Czech Republic, May 5–6.
Penman, S. H. (2010). Financial statement Analysis and security Valuation. NewYork, Ny: McGraw Hill/Irwin. 4-8- 200. Ross, J. F. (2016). The information content of accounting reports: An information theory perspective. Information, 7(3), 1- 23.
Qyrana, M. (2024). Forecasting stock market crashes through entropy-based proper measures of connectedness. Available at SSRN: https://ssrn.com/abstract= 5005696
Saeidi Aghdam M, Sadeghi A, Bahiraie A, Haji Asghari S Y. (2023). Provide a stock price forecasting model using deep learning algorithms and its use in the pricing of Islamic bank stocks. mieaoi; 11 (41) : 5. URL: http://mieaoi.ir/article-1-964-fa.html. ]In Persian[.
Sahore, N. S., and Verma, A. (2017). Corporate Disclosures and Financial Performance of Selected Indian Manufacturing and Non-Manufacturing Companies. Accounting and Finance Research, 6 (1), 102-119.
Shannon, C.E. (1948). A mathematical theory of communication. Bell Syst. Technol. J. 1948, 27, 379–423.
Shternshis. A., Mazzarisi, P. (2024). Variance of entropy for testing time-varying regimes with an application to meme stocks. Decisions Econ Finan, 47, 215–258. https://doi.org/10.1007/s10203-023-00427-9
Soltanipour Sardo, M. (2024). Studying the effect of institutional investors and financial statement entropy on stock returns in companies listed on the Tehran Stock Exchange, 20th National Conference on Economics, Management and Accounting, Shirvan. https://civilica.com/doc/2070243. ]In Persian[.
Sonkavde, G., Dharrao, DS., Bongale, AM., Deokate, ST., Doreswamy, D. and Bhat, SK. (2023). Forecasting Stock Market Prices Using Machine Learning and Deep Learning Models: A Systematic Revie, Performance Analysis and Discussion of Implications. International Journal of Financial Studies, 11(3):94. https://doi.org/10.3390/ijfs11030094
Suzuki, M., Sakaji, H., Izumi, K., Ishikawa, Y. (2022). Forecasting Stock Price Trends by Analyzing Economic Reports with Analyst Profiles. Front Artif Intell, 7;5:866723. doi: 10.3389/frai.2022.866723. PMID: 35747249; PMCID: PMC9210503.
Theil, H. (1969). On the use of information theory concepts in the analysis of financial statements. Management Science, 459-480.
Umphress, E.E. and Bingham, J.B. (2011). When employees do bad things for good reasons: Examining unethical proorganizational behaviors, Organ. Sci. 22(3), 621–640.
Whitman, G. (2018). Rationality as a process, Rev. Behav. Econ. 5 (3-4), 201–219.
Yang, Wenshu Liu, Guoxing Yang, (2023), Analysis of non-linear effects of international financial systemic financial risk on macroeconomic impact Fangzhou, Applied Mathematics and Nonlinear Sciences, 01. Nov. 2023,
Yang, Z., Zhao, T., Wang, S. and Li, X. (2024). MDF-DMC: A stock prediction model combining multi-view stock data features with dynamic market correlation information. Expert Systems with Applications, Volume 238, Part E, 122134. https://doi.org/10.1016/j.eswa.2023.122134
Zamani, M., Pakmaram, A., Rezaei, N., & Abdi, R. (2024). The role of information behavior in financial reporting (With an emphasis on information entropy theory). International Journal of Nonlinear Analysis and Applications, 15(4), 293-309. doi: 10.22075/ijnaa.2022.28778.3985
Zheng, T., Ye, S., & Hong, Y. (2023). Fast estimation of a large TVP-VAR model with score-driven volatilities. Journal of Economic Dynamics and Control, 157, 104762. https://doi.org/10.1016/j.jedc.2023.104762
Journal of Accounting and Corporate Governance Researches
Vol. 3, No. 9, Autumn 2024 (65-87)
Investigating the Process of Influencing the Information Content Uncertainty of Financial Statement Components in Predicting Future Stock Prices over Time
Ali Akbar Sargholi Notarki1, Allah Karam Salehi*2, Alireza Jorjor Zadeh3
Received: 2024/10/29 Accepted: 2025/04/03
Abstract
Accounting ensures the collection and systematization of documented information about the facts of the economic life of firms and organizations. Collecting information in accounting is summarized in three main financial statements: balance sheet, profit and loss and cash flow. Any uncertainty in calculating this information will affect the capital market efficiency and the deviation of investors' decisions. Finally, this will reduce the accuracy of predicting future stock prices. On the other hand, not considering the changes in estimated parameters in the models reduces the efficiency of the estimated coefficients. As a result, the main issue of the current research was to investigate the process of the effect of information content uncertainty of financial statement components on the prediction of future stock prices over time. The present study was in the field of applied research. The period of the research was 2012 to 2023, considering the companies listed on Tehran Stock Exchange. The TVP-PVAR approach was used in MATLAB 2021 software. Based on the results, it was clear that in the average short-term, medium-term and long-term periods, the combination of uncertainties had a greater effect on stock price prediction than the simple case. The effect of increase in triple uncertainty combinations (the combination of uncertainty in the components of profit and loss statement, balance sheet and cash flow statement), was stronger than binomial combinations on stock price prediction. Also, this prediction in the cash flow statement was more than the balance sheet, and in the balance, sheet was more than the profit and loss statement. In other words, uncertainty in the cash flow statement reduces the accuracy of the future prediction of stock prices more than other financial statements.
Keywords: Information content, Entropy, Uncertainty in financial statements, Future stock returns, TVP-PVAR.
|
[1] . Ph.D. Candidate, Department of Accounting, Ahvaz Branch, Islamic Azad University, Ahvaz, Iran
[2] . Assistant Prof., Department of Accounting, Masjed Soleyman Branch, Islamic Azad University, Masjed Soleyman, Iran.
*Corresponding author: ak.salehi@iau.ac.ir
[3] . Assistant Prof., Department of Economics, Ahvaz Branch, Islamic Azad University, Ahvaz, Iran.
بررسی فرآیند اثرگذاری نااطمینانی محتوای اطلاعاتی اجزای صورت‌های مالی در پیشبینی قیمت آتی سهام در طی زمان
علی اکبر سرقلی نوترکی1، اله کرم صالحی*2، علیرضا جرجرزاده3
چکيده حسابداری جمع‌آوری و نظام‌مندی اطلاعات مستند در مورد حقایق زندگی اقتصادی شرکت‌ها و سازمان‌ها را تضمین می‌کند. جمع‌آوری اطلاعات در حسابداری در سه صورت مالی اصلی ترازنامه، سود و زیان وگردش وجه نقد تلخیص می‌گردد. هر گونه نااطمینانی در محاسبه این اطلاعات بر کارایی بازار سرمایه و انحراف تصمیمات سرمایه‌گذاران اثرگذار خواهد بود. در نهایت این امر موجب کاهش دقت پیشبینی قیمت آتی سهام می‌گردد. از سوی دیگر، عدم لحاظ تغییر پارامترهای برآوردی در مدل‌ها موجب کاهش کارایی ضرایب برآوردی می‌گردد. در نتیجه، مسئله اصلی پژوهش حاضر بررسی فرآیند اثرگذاری نااطمینانی محتوای اطلاعاتی اجزای صورت‌های مالی در پیشبینی قیمت آتی سهام در طی زمان است. پژوهش حاضر در حوزه تحقیقات کاربردی است. بازه زمانی پژوهش 1391 الی 1402 در شرکت‌های پذیرفته شده در بورس اوراق بهادار تهران است. در این پژوهش از رویکرد TVP-PVAR در فضای نرم افزار متلب 2021 استفاده شده است. بر اساس نتایج مشخص است که در میانگین بازه‌های کوتاه‌مدت، میان‌مدت و بلندمدت؛ ترکیب نااطمینانی‌ها بیشتر از حالت ساده بر پیشبینی قیمت سهام اثرگذار است. افزایش ترکیب‌های نااطمینانی سه گانه (ترکیب نااطمینانی اجزای صورت سود و زیان، ترازنامه و صورت گردش وجوه نقد)، بر پیشبینی قیمت سهام قوی‌تر از ترکیب‌های دو گانه است. همچنین این پیشبینی در صورت مالی گردش جریان وجه نقد بیشتر از ترازنامه و در ترازنامه بیشتر از صورت سود و زیان است. به عبارتی می‌توان بیان داشت که نااطمینانی در صورت مالی گردش جریان وجه نقد بیش از سایر صورت‌های مالی موجب کاهش دقت در پیشبینی آتی قیمت سهام می‌گردد.
کلمات کلیدی: محتوای اطلاعاتی، آنتروپی، نااطمینانی در صورت‌های مالی، بازده آتی سهام، TVP-PVAR .
|
[1] . دانشجوی دکتری گروه حسابداری، واحد اهواز، دانشگاه آزاد اسلامی، اهواز، ایران.
[2] . گروه حسابداری، واحد مسجدسلیمان، دانشگاه آزاد اسلامی، مسجد سلیمان، ایران. * نویسنده مسئول: ak.salehi@iau.ac.ir
[3] . گروه اقتصاد، واحد اهواز، دانشگاه آزاد اسلامی، اهواز، ایران.
مقدمه
عملکرد بازار مالی نشان دهنده سلامت اقتصادی یک کشور است (سونکاوده1 و همکاران، 2023). بازار سهام نیروی محرکه اصلی بازارهای مالی قلمداد می‌گردد (اوبتونگ و همکاران2، 2020). پیشبینی این بازار همواره چالش برانگیز بوده است (جیا3 و همکاران، 2024). این فرآیند واقعاً دشوار است (دای4 و همکاران، 2020). دو دسته کلی از عوامل وجود دارند که بر پیشبینی بازدهی این بازار اثرگذارند. عوامل کلان (هوی5 و همکاران، 2021)؛ عوامل خرد (جیا و همکاران، 2024). تعامل مابین این دو دسته عوامل موجب ایجاد پیچیدگی در پیشبینی این بازار می‌گردد (چن6 و همکاران، 2021). به هر میزان کیفیت محاسبه اطلاعات این دو دسته بالاتر باشد پیشبینی این بازار دقیق‌تر خواهد بود (یانگ7 و همکاران، 2024).
قیمت سهام یک شرکت نشان‌دهنده ارزش درآمدهای آتی آن است و این امر علت علاقه‌مندی سرمایه‌گذاران به صورت سود و زیان شرکت‌ها را توضیح می‌دهد. سرمایه‌گذاران در تلاش هستند با استفاده از اطلاعات صورت‌های مالی؛ بازار سهام شرکت را پیشبینی نمایند (حسنی و رشوندی، 1401). سرمایه‌گذاران برای پیشبینی بازار سهام باید اطلاعات بازار مانند قیمت سهام و اطلاعات اساسی مانند فروش، درآمد و شرایط تجاری شرکت‌ها را جستجو نمایند (سوزوکی8 و همکاران، 2022). از آنجایی که اطلاعات پایه و اساس تصمیم‌گیری سرمایه‌گذاران بازار سهام است، باید به اطلاعات و کیفیت مرتبط با آن اهمیت ویژه‌ای داده شود تا عدم اطمینان در مورد نحوه گزارش و تفسیر آن کاهش یابد و سودمندی آن افزایش یابد. گزارش‌گری مالی هم برای کسانی که آن را ارائه میکنند و هم برای کسانی که از آن استفاده میکنند اهمیت نسبتاً زیادی دارد؛ زیرا حسابداری طیف گسترده‌ای از منابع اطلاعات مالی را ارائه می‌کند و درجه بالایی از اعتبار را در مقایسه با سایر منابع اطلاعاتی تضمین می‌کند (دانسکو و استجرین9، 2022). شرکت‌ها و سرمایه‌گذاران می‌توانند عدم اطمینان در مورد فرصت‌های سرمایه‌گذاری را از طریق گزارش مالی شرکت، از گزارش مالی رقبا و دیگران، یا از منابع دیگر مانند تحلیل‌گران مالی و قیمت سهام کاهش دهند. بسیاری از سؤالات مربوط به اینکه این اطلاعات چگونه مفید خواهند بود و در کدام زمینه‌ها بی‌پاسخ مانده‌اند؛ هنور در حال بررسی هستند (الیا10 و استابن، 2019).
با توجه به این که بازده سهام دارای نقش اطلاعاتی در خصوص انتظارات ذی‌نفعان و میزان پاسخ‌گویی شرکت در برابر انتظارات ذی‌نفعان به ویژه سرمایه‌گذاران و اعتباردهندگان است؛ لذا شناسایی عوامل مؤثر بر تغییرات بازده سهام میتواند بسیار با اهمیت باشد. استفاده از اقلام مندرج در صورت‌های مالی، یکی از فنون شناسایی عوامل مؤثر بر بازده سهام و پیشبینی بازده آتی سهام است. هدف از تجزیه و تحلیل صورت‌های مالی، از یک سو ارزیابی عملکرد گذشته یک واحد تجاری و از سویی دیگر، فراهم آوردن اطلاعات و روشهای مناسب در جهت برنامه‌ریزی برای رسیدن به اهداف آتی واحد تجاری است. از اینرو پژوهش‌های فراوانی در زمینه تجزیه و تحلیل اقلام مندرج در صورت‌های مالی جهت پیشبینی وضعیت آتی شرکت‌ها انجام شده است و فنون متفاوتی برای این تجزیه و تحلیل‌ها ابداع شده است. رویکردهای مبتنی بر نظریه آنتروپی و انتقال اطلاعات در این حوزه قرار دارند (ثیل11، 1969؛ نایکوئیست12، 1924؛ هارتلی13، 1928؛ شانون14، 1948؛ عبداله زاده و همکاران، 1392). مفهوم آنتروپی شانون، هسته اصلی نظریه اطلاعات است که گاهی اوقات با عنوان «اندازه عدم قطعیت»، نیز نامیده می‌شود. پیدایش نظریه اطلاعات برای بیان عددی اطلاعات است و چنین استنباط می‌شود که همان طور که فاصله زمان و دما را با عدد اندازه‌گیری میکنند، مقدار اطلاعاتی را که یک موضوع به ما می‌دهد نیز به وسیله تعدادی از پرسش‌های لازم برای پی بردن به موضوع مورد نظر، قابل اندازه‌گیری است و این پاسخ‌های به دست آمده به صورت بله، خیر را می‌توان با اعداد صفر و یک نشان داد. به منظور اندازه‌گیری کمی محتوای اطلاعات، پژوهش‌گران با استفاده از نظریه اطلاعات به تعریف تابع توزیع اقدام کردند (راس15، 2016؛ خلیلی و همکاران، 1398)؛ اما پژوهش وی نیز دارای ایراداتی است. به عنوان مثال وی از مدل رگرسیون خطی ساده جهت برازش مدل رگرسیونی خود استفاده نمود. حال آن که یکی از اساسی‌ترین انتقادات وارده مربوط به رگرسیون خطی، نوع توزیع داده‌های متغیرها یا خطای باقیمانده‌ها است (آذر، 1398). در پژوهش حاضر مشابه پژوهش‌های ژنگ16 و همکاران (2023) و شترنشیس17 و مازاریسی (2024)؛ از رویکرد مدلهای پارامتر متغیر زمان خودرگرسیون برداری پانلی جهت برآورد سطح نااطمینانی صورت‌های مالی بر اساس دیدگاه آنتروپی بهره گرفته شده است؛ لذا مسئله اصلی پژوهش حاضر بررسی فرآیند اثرگذاری نااطمینانی محتوای اطلاعاتی اجزای صورت‌های مالی در پیشبینی بازده آتی سهام در طی زمان است.
مبانی نظری و پیشینه پژوهش
صورت‌های مالی مهم‌ترین منابع اطلاعاتی شرکت‌ها هستند؛ که تمامی ذی‌نفعان برای تصمیم‌گیری خود در هر سطحی از آن بهره می‌گیرند (هئو و یونگ18، 2020). هر قدر این اطلاعات باکیفیت‌تر باشند؛ از اهمیت بالاتری برخوردارند (ارکن19، 2016؛ ساهوره و ورما20، 2017؛ گلزاکوس21 و همکاران، 2012). بر اساس تئوری رفتاری حسابداری، اطلاعات حسابداري بر رفتار تصمیم‌گیرندگان اطلاعات حسابداری تأثیر می‌گذارد، هر چند ممکـن اسـت براي تصمیم‌گیري متفاوت، منابع اطلاعاتی متفاوتی وجود داشته باشد (حبیب22، 2008). ساده بودن اطلاعات صورت‌های مالی و جامع بودن آن‌ها برای ذی‌نفعان از اهمیت بالایی برخوردار است (پـنمن23، 2010). اطلاعـات با محتوای بالا نقـش اساسـی در عملکـرد بـازار سـرمایه دارد (بولـو و حسـنی القار، 1393).
این پژوهش از نظریه آنتروپی، نظریه‌های مالی رفتاری و نظریه اطلاعات پیروی می‌کند؛ تا مبانی نظری مربوط به رفتار اطلاعاتی و سطح نااطمینانی در صورت‌های مالی را مورد تجزیه و تحلیل قرار دهد. گزارش‌دهی برای پاسخ‌گویی ضروری است. گزارش شرکت‌های در دهه‌های گذشته ابتدا به صورت شفاهی و سپس وارد گزارشات کتبی؛ اما با پیشرفت‌های اخیر در زمینه کامپیوتر، فناوری اطلاعات و در نهایت اینترنت، گزارش‌گری مالی و غیرمالی نیز وارد مرحله جدیدی شده است. محصول نهایی فرآیند حسابداری مالی ارائه اطلاعات مالی به استفاده‌کنندگان مختلف اعم از ذی‌نفعان داخلی و خارجی در قالب گزارش‌های حسابداری است. شرکت‌ها باید مجموعه‌ای از اطلاعات مالی و غیر مالی را ارائه دهند تا اطلاعات مورد نیاز سهام‌داران و به طور کلی مالکان را در اختیار آن‌ها قرار دهند؛ تا در تصمیم‌گیری‌های مربوط به تخصیص بهینه منابع به آن‌ها کمک کنند. مجموعه این اطلاعات شامل صورت‌های مالی، یادداشت‌های توضیحی و سایر اطلاعات تکمیلی مالی و غیرمالی است که تحت تأثیر استانداردهای حسابداری، الزامات و مقررات محلی، ایالتی و بین‌المللی قرار دارند (مرادی و همکاران، 2019). هدف از حسابداری ثبت و اطلاع‌رسانی به کاربران ذی‌نفع، بررسی تأثیر رویدادها یا معاملات اقتصادی در یک واحد تجاری است. سپس این سیگنال توسط شخص سوم مستقل (مؤسسات حسابرسی مستقل)، بررسی شده و بر روی آن فیلتر اعمال میکنند و سپس سیگنال را به گیرنده (شرکت‌کنندگان بازار)، می‌فرستند (نمودار 1). فرض بر این است که این گیرندگان به نحوی با واحد تجاری مرتبط هستند و بنابراین، از قبل توزیع‌های احتمالی را در مورد وضعیت‌های آتی واحد تجاری تشکیل داده‌اند؛ بنابراین در فرآیند حسابداری و گزارش‌گری مالی نقش اصلی را ایفاء میکنند. اگر پیام (به عنوان مثال، صورت‌های مالی)، توزیع احتمال قبلی این کاربران را در مورد وضعیت‌های آتی شرکت تغییر ندهد، به طوری که عدم قطعیت ذهنی ذی‌نفعان تغییر کند، پس از دریافت و پردازش پیام، وضعیت کاربران بهتر از قبل از دریافت آن نخواهد بود. در این مورد، کاربر باید بین این گزارش‌ها و مجموعه‌ای از گزارش‌های بی‌محتوی بی‌تفاوت خواهد بود. در بازارهای مالی، با توجه به مکانیسم تبادل اطلاعات بین فرستنده و گیرنده (کاربر اطلاعات مبتنی بر کاربر)، دانش و آگاهی گیرنده همواره محدود به میزان اطلاعات ارسال شده توسط فرستنده است. در نتیجه نااطمینانی و انحراف در اطلاعات موجب کاهش اعتماد به اطلاعات و کاهش سطح محتوای اطلاعات می‌گردد (زمانی و همکاران، 2024).
نمودار 1: چارچوب کلاسیک یک سیستم ارتباطی در حسابداری
نااطمینانی در صورت‌های مالی از مفهومی به نام آنتروپی24 تبعیت می‌نماید. آنتروپی مفهوم روشنی ندارد. از نظر علم فیزیک آنتروپی حجمی است که هر مولکول بخشی از فضا را اشغال می‌کند؛ بنابراین داشتن فضای بیشتر به معنای آنتروپی بیشتر است و این وضعیت باعث کاهش سطح محتوی اطلاعات کاربران می‌شود. به این معنا، هرچه بی‌نظمی در گزارش‌گری مالی بیشتر باشد، اطلاعات کم‌تری در مورد موقعیت اجزای آن گزارش‌گری و آنتروپی افزایش می‌یابد. نمودار شماره (2)، مولفه‌های مهم آنتروپی در بازارهای مالی را به صورت اساسی نشان می‌دهد.
نمودار 2: اجزای آنتروپی اطلاعات مالی
آنتروپی بیانگر آشوب (بی‌نظمی) یا عدم قطعیت یک سیستم است؛ همچنین آنتروپی در تئوری اطلاعات معیار عددی مقدار اطلاعات یا میزان تصادفی بودن یک متغیر تصادفی است (ویتمن25، 2018). آنتروپی میزان عدم قطعیت استفاده‌کنندگان از اطلاعات صورت‌های مالی را محاسبه می‌کند. هرچه این مقدار بیشتر باشد، میزان بلاتکلیفی و عدم قطعیت بیشتر باشد، کار تجزیه و تحلیل صورت‌های مالی دشوار خواهد بود، در نتیجه تحلیل‌گران مالی در مورد برآوردهای انجام شده در پیشبینی وضعیت مالی شرکت با تردید مواجه خواهد شد. هرچه این مقدار کم‌تر باشد، تحلیل‌گران مالی در پیشبینی وضعیت مالی شرکت با موفقیت و شکست مالی موفق‌تر خواهد بود (آمفریز26 و همکاران، 2011). در بازارهای مالی، با توجه به مکانیسم تبادل اطلاعات بین فرستنده و گیرنده (کاربر اطلاعات)، دانش و آگاهی گیرنده همواره محدود به میزان اطلاعات ارسال شده توسط فرستنده است؛ بنابراین، با وجود ارسال پیام‌های نامرتبط (تداخل) از سیستم ارتباطی، چگونه می‌توانیم بهترین برآورد را از ارزش اطلاعات دریافتی داشته باشیم؟ یکی از کاربردهای مهم آنتروپی اطلاعات در زمینه تحلیل صورت‌های مالی و بررسی میزان انبوه اطلاعات قابل ارائه به سرمایه‌گذاران و سایر استفاده‌کنندگان صورت‌های مالی است. به طور کلی، مفهوم آنتروپی اطلاعات با مسائل مالی رفتاری مرتبط است. اگر اطلاعات بی‌ارزش باشند، آنتروپی یک سیستم میتواند کاهش یابد و در نتیجه قانون دوم ترمودینامیک (قانون آنتروپی یا مرگ نرم نظم27)28 را نقض کند؛ بنابراین، هزینه مادی کسب اطلاعات باید حداقل برابر با ارزش اطلاعات باشد؛ بنابراین، همزمان با کاهش هزینه اطلاعات، ارزش همان نوع اطلاعات نیز به شدت کاهش می‌یابد. آنتروپی اطلاعات نیز اندازه‌گیری کمی از اطلاعات نامتقارن را ارائه می‌دهد و نشان می‌دهد که هزینه به دست آوردن برخی اطلاعات؛ با ارزش این اطلاعات همبستگی مثبت دارد. این امر تئوری اطلاعات در بازار سرمایه را تا حد زیادی بهبود می‌بخشد. در این نظریه، عدم تقارن اطلاعات یک مفهوم کیفی است و هزینه به دست آوردن اطلاعات عموماً برون‌زا است (چن29 و اپستین، 2002). سوگیری‌های رفتاری باعث ایجاد خطا در تصمیم‌گیری و انحراف از تصمیم‌گیری‌های صحیح و بهینه می‌شود. آگاهی از این سوگیری‌ها باعث توجه و آگاهی بیشتر سرمایه‌گذاران در فرآیند تصمیم‌گیری می‌شود و باعث می‌شود سرمایه‌گذاران در مواجهه با سوگیری‌های گفته شده دقت بیش‌تری داشته باشند. آن‌ها می‌توانند واکنش خوبی نشان دهند و تصمیمات منطقی‌تری بگیرند. برای شناخت صحیح بازار سرمایه باید رویکردی سیستماتیک به بازار سرمایه و کنش‌ها و واکنش‌های آن داشت. در بازارهای پیچیده امروزی، برای ارائه یک تحلیل صحیح از بازار، باید تمامی عوامل موثر بر آن را بشناسیم. یکی از عوامل مهم و موثر در بازارهای مالی، اقدامات رفتاری سرمایه‌گذاران است. این موضوع به قدری مهم و تأثیرگذار است که در سال‌های اخیر، دانشمندان مالی مجموعه‌ای از تعاملات رفتاری سرمایه‌گذاران را نظریه‌پردازی کرده و آن‌ها را در دسته‌ای نسبتاً گسترده به نام رفتار مالی قرار داده‌اند. بسیاری از کارشناسان مالی معتقدند که ریشه اصلی این رشته را باید در روان‌شناسی شناختی جست. روان‌شناسی شناختی مطالعه علمی شناخت یا فرآیند ذهنی است که بسیاری معتقدند منشا رفتار انسان است. رشته مطالعات روان‌شناسی شناختی شامل موضوعاتی مانند ذهن، توجه، ادراک، نشان دادن حقایق، استدلال و حل مسئله است. مدلهای مالی رفتاری مدل‌هایی هستند که در آن‌ها فرض عقلانیت کامل سرمایه‌گذاران کنار گذاشته می‌شود؛ بنابراین خطاها و سوگیری‌هایی در تصمیم‌گیری رخ می‌دهد که آگاهی سرمایه‌گذاران از آن سودمند است. این خطاها و سوگیری‌ها به دلیل تمایل انسان به میانبرها و تأکید بیش از حد بر تجربه، احساسات بی‌اساس، توهمات و محاسبات خشن و به طور کلی دوری از واقعیت رخ می‌دهد. اگرچه در برخی موارد ممکن است این سوگیری‌ها نتایج مثبتی داشته باشند؛ اما احتمال نتایج منفی بسیار زیاد است. به طور خلاصه، سوگیری‌های رفتاری را خطاهای سیستماتیک می‌نامند. قضاوت تعریف شده از مطالعات رفتاری و آنچه در روان‌شناسی مطرح می‌شود، رفتار انسان را بهتر معرفی می‌کند و بیان می‌کند که انسان‌ها هر چقدر هم که منطقی باشند، در مواردی با سوگیری‌های رفتاری مواجه می‌شوند. سوگیری‌های رفتاری موجب شناخت محدود یا انحراف از واقعیت و در نتیجه موجب اعمال غیرمنطقی یا غیر معقول می‌شود. سوگیری‌های رفتاری در سطح کلان میتواند بازار سرمایه را تحت تأثیر قرار دهد و باعث نوسانات قیمت (حباب) و ناکارآمدی بازار از طرفی در سطح خرد شود و منجر به کاهش بازده و زیان سرمایه‌گذاران شود (کیم و همکاران، 2008). این رفتارها از کانال اثرگذاری بر صورت‌های مالی حود را نمایش داده و موجب کاهش اعتبار و عدم قطعیت در اطلاعات صورت‌های مالی می‌گردد.
پیشینه خارجی
لین30 (2024) اقدام به اندازه‌گیری و تجزیه و تحلیل ارزش آنتروپی اطلاعات افشای موضوعات کلیدی حسابرسی پرداختند. آن‌ها با استفاده از 14837 گزارش حسابرسی صورت‌های مالی از شرکت‌های پذیرفته شده در بورس‌های شانگهای و شنژن در بازه زمانی 2017 تا 2022 نشان دادند که نوع صنعت در سطح آنتروپی افشای اطلاعات حسابداری موثر بوده است.
یانگ و همکاران (2024) با استفاده از یادگیری ماشینی بدین نتیجه دست یافتند که تمامی بخش‌های صورت‌های مالی نقش مهمی در پیشبینی قیمت سهام دارند؛ اما این تأثیر در شرکت‌های بزرگ نسبت به شرکت‌های کوچک قوی‌تر است؛ همچنین در شرایط رکود اقتصادی تأثیر این اطلاعات در پیشبینی قیمت سهام کاهش می‌یابد.
شترنشیس و مازاریسی (2024) به بررسی واریانس آنتروپی در رژیم‌‌های متغیر با زمان در بازار سهام پرداختند. نتایج پژوهش نشان می‌دهد که در زمانی که بازار سهام در حالت رونق و سودآوری است واریانس آنتروپی پایین بوده و اطلاعات صورت‌های مالی توانایی بالاتری در پیشبینی قیمت آتی سهام دارند و در شرایط رکود عکس این حالت صادق است.
زمانی و همکاران (2024) به بررسی نقش رفتار اطلاعاتی در گزارش‌گری مالی (با تأکید بر تئوری آنتروپی اطلاعات) پرداختند. این پژوهش با مصاحبه با صاحب نظران در زمینه مبانی نظری نظریه‌های مالی رفتاری و روا‌ن‌شناختی و حوزه بازار سرمایه انجام شد و با انجام 14 مصاحبه در سال 1400 به روش نمونه‌گیری گلوله برفی به اشباع رسید. یافته‌های پژوهش نشان داد که برای مدل گزارش‌گری مالی با نقش رفتار اطلاعاتی، راه‌کارهایی مانند تشکیل کمیته گزارش‌گری مالی با نقش رفتار اطلاعاتی و آموزش مقوله گزارش‌گری مالی با نقش رفتار اطلاعاتی اتخاذ شده است. در نهایت مدل نشان داد که گزارش‌گری مالی با نقش رفتار اطلاعاتی منجر به پیامدهایی از جمله افزایش اعتماد و اطمینان اجتماعی، رشد و توسعه شرکت و افزایش کیفیت اطلاعات مالی می‌شود.
سونکاوده و همکاران (2023) با استفاده از یادگیری ماشینی اقدام به پیشبینی قیمت سهام پرداختند نتایج بیانگر این واقعیت است که رویکردهای یادگیری ماشینی نسبت به رویکردهای سری زمانی و شبکه عصی در پیشبینی قیمت سهام از دقت بالاتری برخوردارند.
یانگ و همکاران (2023) با استفاده از مدلهای بیزین غیرخطی اقدام به ارائه الگوی پیشبینی قیمت سهام پرداختند نتایج بیانگر این واقعیت است که علاوه بر اطلاعات محتوای صورت‌های مالی، شاخصهای مرتبط با سطح کلان اقتصادی، شاخصهای ریسک جهانی و احساسی بر پیشبینی قیمت سهام تأثیر معناداری دارند.
هئو و يونگ (2020) در پژوهشی به بررسی قدرت پيش‌بيني‌كنندگي صورت‌هاي مالي شركت‌هاي پذيرفته شده در بورس اوراق بهادار كره در خلال سال‌هاي 2015 تا 2018 پرداختند. نتايج پژوهش آن‌ها نشان می‌دهد كه صورت‌هاي مالي شركت‌ها به محض افشا، از توان پیش‌بینی‌کنندگی بالایی برخوردارند؛ اما پس از گذشت مدت زمان، به تدریج از قدرت پیش‌بینی‌کنندگی آن کاسته می‌شود.
راس (2016) به بررسی محتوای اطلاعات گزارش‌ها و صورت‌های مالی پرداخت. وی در راستای انجام پژوهش خود از نظریه اطلاعات بهره جست. نتایج پژوهش وی نشان می‌دهد که گزارش‌ها و صورت‌های مالی در راستای پیشبینی بازده آتی دارای محتوای اطلاعاتی هستند.
پیشینه داخلی
سلطانی‌پور ساردو (1403) به بررسی تأثیر سرمایه‌گذاران نهادی و آنتروپی صورت‌های مالی بر بازده سهام در شرکت‌های پذیرفته شده در بورس اوراق بهادار تهران پرداخت. داده‌ها به صورت تابلویی جمع‌آوری شده است در این پژوهش با توجه به روش حذف سیستماتیک در خصوص انتخاب نمونه و افشاء شرکت‌ها طی سال‌های ۱۳۸۹ الی آخر سال ۱۳۹۹، ۷۵ شرکت در قالب ۸۲۵ مشاهده مورد بررسی قرار گرفت. نتیجه آزمون مدل نشان می‌دهد که، بین آنتروپی و بازده رابطه منفی و معناداری وجود دارد. بین مالکیت نهادی و بازده سهام رابطه معناداری دیده نشد.
کریمیان و شمس (1403) اثرمحتوای اطلاعاتی اعلامیه‌های سود سالانه بر تغییرات قیمت سهام شرکت‌های بورس اوراق بهادار تهران بررسی کردند. این پژوهش بر مبنای هدف از نوع کاربردی و از لحاظ ماهیت و روش توصیفی پیمایشی و همچنین از نوع تحقیقات همبستگی است. در این پژوهش، به منظور آزمون فرضیه‌های پژوهش، از داده‌های مالی طبقه‌بندی شده و حسابرسی شده شرکت‌های فعال پذیرفته شده در بورس اوراق بهادار تهران استفاده شد و نمونه آماری شامل 231 شرکت است که در بین سال 1397 تا سال 1401 مورد بررسی قرار گرفتند. نتایج حاصل از آزمون‌های آماری نشان داد که در سطح خطای (5%) بین بازده سالانه سهام و سودآوری عملیاتی و سود عملیاتی ناپایدار رابطه مستقیمی وجود دارد و بین نسبت ارزش بازار به ارزش دفتری سهام و اجزای سودآوری عملیاتی رابطه معنی‌دار وجود دارد؛ همچنین بین نسبت ارزش بازار به ارزش دفتری سهام و پایداری سود عملیاتی و ناپایداری آن رابطه معنادار وجود دارد. در سطح خطای (6%)، نیز بین بازده سالانه سهام و سود عملیاتی پایدار رابطه مستقیمی وجود دارد؛ لذا فرضیه‌های اول و دوم و چهارم پژوهش در سطح اطمینان 95 درصد و فرضیه سوم در سطح اطمینان 94 درصد، مورد تأیید است.
حسنی و رشوندی (1401) به بررسی تأثیر اطلاعات حسابداری بر بازار سهام شرکت‌های پذیرفته شده در بورس اوراق بهادار تهران پرداختند. پژوهش حاضر از نظر هدف کاربردی و از نظر ماهیت تحلیلی میباشد. برای جمع آوری داده‌های آن از صورت‌های مالی شرکت‌های بورس اوراق بهادار تهران استفاده شده است. نمونه آماری پژوهش از شرکت‌های پذیرفته شده در بورس اوراق بهادار تهران میباشد. یافته‌های این پژوهش نشان می‌دهد که اطلاعات حسابداری موجب کاهش نوسانات بازار سهام شرکت‌ها می‌شود.
سعیدی اقدم و همکاران (1401) سعی نمودند مدلی ارائه نمایند تا بر اساس آن بتوان روند حرکتی قیمت سهام مورد نظر را با دقت بالایی پیشبینی کنند. بر همین اساس، یک مدل ترکیبی برای پیشبینی روند حرکتی قیمت سهام با استفاده از شبکه عصبی مصنوعی ارائه شده است. برای نمونه آماری، شرکت‌های برتر بورس اوراق بهادار در سه ماهه دوم سال ۱۳۹۹ انتخاب شده است. سپس برای این منظور، ۳۲ متغیر محاسبه شد. این متغیرها ورودی مدل هستند و به کمک الگوریتم شبکه عصبی مصنوعی بهینه‌سازی شده‌اند. نتایج نشان می‌دهد، مدل در پیشبینی روند حرکتی قیمت سهام بسیار بهتر عمل کرده و در مقایسه با روشهای سنتی، از دقت بالاتری برخوردار است.
بر اساس مبانی نظری و پیشینه تجربی پژوهش فرضیه‌های تحقیق به شرح ذیل هستند:
فرضیه اول پژوهش بیان می‌کند که نسبت نااطمینانی اجزای صورت سود و زیان (سود خالص)، بر بازده آتی سهام در بازه‌های زمانی مختلف تأثیر معناداری دارد.
فرضیه دوم پژوهش بیان می‌کند که نسبت نااطمینانی اجزای ترازنامه (نسبت حقوق مالکانه)، بر بازده آتی سهام در بازه‌های زمانی مختلف تأثیر معناداری دارد.
فرضیه سوم پژوهش بیان می‌کند که نسبت نااطمینانی اجزای صورت گردش وجوه نقد (جریان نقد عملیاتی)، بر بازده آتی سهام در بازه‌های زمانی مختلف تأثیر معناداری دارد.
فرضیه چهارم پژوهش بیان می‌کند که نسبت ترکیب نااطمینانی اجزای صورت سود و زیان و ترازنامه (متغیرهاي سود خالص و نسبت حقوق مالکانه)، بر بازده آتی سهام در بازه‌های زمانی مختلف تأثیر معناداری دارد.
فرضیه پنجم پژوهش بیان می‌کند که نسبت ترکیب نااطمینانی اجزای صورت سود و زیان و صورت گردش وجوه نقد (متغیرهاي سود خالص و جریان نقد عملیاتی)، بر بازده آتی سهام تأثیر منفی و معناداري دارد.
فرضیه ششم پژوهش بیان می‌کند که نسبت ترکیب نااطمینانی اجزای صورت گردش وجوه نقد و ترازنامه (متغیرهاي جریان نقد عملیاتی و نسبت حقوق مالکانه)، بر بازده آتی سهام در بازه‌های زمانی مختلف تأثیر معناداری دارد.
فرضیه هفتم پژوهش بیان می‌کند که نسبت ترکیب نااطمینانی اجزای صورت سود و زیان، ترازنامه و صورت گردش وجوه نقد (متغیرهاي سود خالص، نسبت حقوق مالکانه و جریان نقد عملیاتی)، بر بازده آتی سهام در بازه‌های زمانی مختلف تأثیر معناداری دارد.
روش‌شناسی پژوهش
اين پژوهش، يک پژوهش توصيفي از نوع پژوهش‌هاي پس رويدادي است که مبتني بر اطلاعات واقعي صورت‌هاي مالي شرکت‌هاي پذيرفته‌شده در بورس اوراق بهادار تهران بوده و با روش استقرايي به کل جامعه آماري قابل تعميم خواهد بود. به دليل اينکه نتايج حاصل از اين پژوهش مي‌تواند در فرآيند تصميم‌گيري مورد استفاده قرار گيرد، اين پژوهش از لحاظ هدف، کاربردي است. نحوه‌ی انتخاب تعداد شرکت‌های نمونه در نگاره (1)، ارائه شده است.
نگاره 1: نحوه‌ی انتخاب تعداد شرکت‌های جامعه آماری
شرح | جمع | |
تعداد کل شرکت‌های پذیرفته شده در بورس تا پایان سال 1402: |
| 719 |
به منظور جلوگيري از ناهمگن شدن نمونه، سال مالي شرکت‌ها منتهي به 29 اسفند هر سال باشد. | 77 |
|
تعداد شرکت‌هایی که جز هلدینگ، سرمایه‌گذاری‌ها، واسطه‌گری‌های مالی و بانک و بیمه و لیزینگ‌ها بوده‌اند | 98 |
|
معاملات سهام آن‌ها طي دوره پژوهش، بيش از سه ماه متوالي در بورس اوراق بهادار تهران متوقف نشده باشد. | 97 |
|
در دوره زمانی مورد مطالعه، ارزش دفتري حقوق صاحبان سهام آن، منفي نباشد. | 30 |
|
در دوره زمانی مورد مطالعه، زیان ده نباشد. | 143 |
|
در دوره زمانی مورد مطالعه، خالص جریان نقد عملیاتی آن، منفی نباشد. | 41 |
|
در طول قلمروي زماني پژوهش پايان سال مالي آن تغيير نکند. | 33 |
|
در خلال سال هاي 1391 الي 1402 در بورس اوراق بهادار پذيرفته شده باشد. | 25 |
|
جمع شرکت های کسر شده: |
| (544) |
تعداد شرکت‌های غربال‌گری شده |
| 175 |
در اين پژوهش از مدل‌هاي PTVPVAR بهره گرفته شده است. در فرآیندهای غیرخطی توزیع ضرایب در طی زمان با توجه به واریانس و میانگین ضرایب تغییر نموده و ضرایب برآوردی برخلاف مدلهای خطی از تابع توزیع متقارن و یکسانی برخوردار نیستند. در رویکرد خطی میانگین، انحراف معیار، چولگی و کشیدگی یکسانی هستند. در فرآیندهای غیرخطی میانگین، انحراف معیار، چولگی و کشیدگی یکسان نیستند؛ در نتیجه در این حالت امکان وقوع فروض رگرسیونی وجود نداشته و مدلهای خطی در برآورد مدل از کارایی لازم برخوردار نخواهند بود. کارایی مدلهای اشاره شده به نوع بازار مورد بررسی، بازه زمانی مورد بررسی، کشور مورد بررسی و متغیرهای ورودی و متغیر وابسته تعریف شده دارد (هازنبرگر31 و همکاران، 2023)؛ اما آنچه مسلم است عموماً رویکرد مدلهای غیرخطی از دقت بالاتری نسبت به مدلهای خطی برخوردار است و ضرایب برآوردی در طی زمان ثابت نیستند و به مدلهای با انعطاف‌پذیری بالا در برآورد ضرایب نیاز میباشد (ژانگ و همکاران 2023؛ جاشوا32 و همکاران 2023؛ هازنبرگر، 2020). متغیرهای پژوهش به شرح ذیل می‌باشند:
متغیر وابسته
بازده آتی سهام (Ri،t+1): به منظور اندازه‌گیری بازده سهام همانند پژوهش اسدی و پورباقریان (1389)، از رابطه (1)، استفاده می‌شود.
(1) 
که در آن، R، Pt، Pt-1 و DPS به ترتیب بیانگر بازده سهام، قیمت سهام در پایان دوره، قیمت سهام در ابتدای دوره و سود تقسیمی هستند. شایان ذکر است چنانچه شرکت اقدام به افزایش سرمایه از منابع مختلف نماید، به منظور محاسبه بازده سهام از رابطه (2)، استفاده می‌شود.
(2) 
که در آن 
بیانگر درصد افزایش سرمایه در دوره t از محل آورده نقدی و مطالبات سهام‌دارن است و 
بیانگر درصد افزایش سرمایه در دوره t از محل سود انباشته و اندوخته‌ها است؛ همچنین در رابطه (2)، عدد 1000 نشان دهنده ارزش اسمی هر سهم است.
متغیرهای مستقل
متغیرهای مستقل پژوهش و نحوه اندازه‌گیری آن‌ها همانند پژوهش راس (2016) و برنهاردت و کاپلند33 (2018)، عبارت است از:
نسبت نااطمینانی اجزای صورت سود و زیان (سود خالص (qE)): راس (2016)، عدم اطمینان را با استفاده از مفهوم آنتروپی توسط یک طیف مطرح کرد. یک سمت طیف عدم اطمینان صفر و طرف دیگر آن لگاریتم n است و هر دو احتمال اولیه (U(PI)) و احتمال تجدید نظر شده (U(PA)) در دو نقطه از این طیف قرار دارند و برای اندازه‌گیری U(P) از رابطه (3)، استفاده می‌شود.
(3) 
که در آن به منظور سهولت در محاسبات مقدار ضریب ثابت C، برابر یک و مقدار لگاریتم در مبنای 2 در نظر گرفته می‌شوند. اگر احتمال اولیه، بزرگ‌تر از احتمال تجدید نظر شده باشد، به محض دریافت اطلاعات جدید، عدم اطمینان کاهش می‌یابد که این موضوع در نمودار (3)، نشان داده شده است.
نمودار 3: عدم اطمینان در حال کاهش (منبع: آقایی و خلیلی (1395))
چنانچه احتمال اولیه، کوچک‌تر از احتمال تجدید نظر شده باشد، به محض دریافت اطلاعات جدید، عدم اطمینان افزایش می‌یابد که این موضوع در نمودار (4)، نشان داده شده است.
نمودار 4: عدم اطمینان در حال افزایش (منبع: آقایی و خلیلی (1395))
بنابراین محتوای اطلاعاتی را باید از طریق آنتروپی (تغییر میزان عدم اطمینان)، اندازه‌گیری کرد. راس (2016)، چنین استدلال می‌کند که تنها در صورتی محتوای اطلاعاتی وجود دارد که عدم اطمینان تغییر یابد. با استفاد از نماد ریاضی می‌توان مفهوم کمی محتوای اطلاعاتی را به صورت رابطه (4)، نوشت:
(4) 
که در آن IC(M)، U(PI) و U(PA) به ترتیب بیانگر محتوای اطلاعاتی اقلام صورت‌های مالی، مقدار احتمال اولیه و مقدار احتمال تجدید نظر شده هستند. در رابطه (3)، اگر (IC(M)=0)، محتوای اطلاعاتی وجود ندارد؛ اما اگر (IC(M)≠0)، محتوای اطلاعاتی وجود دارد. قابل ذکر است که (1≥0≤IC(M)) و بدین معناست که محتوای اطلاعاتی اقلام صورت‌های مالی بین صفر تا یک است. به منظور اندازه‌گیری نسبت نااطمینانی سود خالص، ابتدا با استفاده از روابط (5) تا (8)، در بازه زمانی 1384 تا 1398، محتوای اطلاعاتی سود خالص اندازه‌گیری می‌شود. برای این منظور با استفاده از رابطه (5)، سود خالص شرکت‌ها با استفاده از قانون چی بی شف به چهار پرتفوی (L، LM، HM،H)، تقسیم می‌شود که به ترتیب بیانگر زیاد، نسبتاً زیاد، نسبتاً کم و کم هستند. به این شیوه توزیع احتمال اولیه (PI) و توزیع احتمال تجدید نظر شده (PA)، به دست می‌آیند. راس (2016)، معتقد است که تنها یکی از حالات فضای نمونه S={H، HM، LM، L} بر اساس میانگین و انحراف معیار از ارزش‌های سود (j)، از طریق زمان در دوره t قابل تحقق است. تابع f(jt) که هر واقعیت از j را با یکی از چهار حالت ممکن مذکور در رابطه (5)، را ارزیابی می‌کند و در ادامه با لگاریتم‌گیری از توزیع احتمالات به دست آمده، محتوای اطلاعاتی سود اندازه‌گیری می‌شود.
(5) 
تابع f(jt) بیانگر سود حسابداری است و به چهار حالت 
تقسیم می‌شود. تابع سود حسابداری به صورت 
تعریف می‌شود که حالات مذکور در رابطه (5)، را می‌توان در نمودار (5)، نشان داد.
نمودار 5: تابع سود خالص f (jt) (منبع: آقایی و خلیلی (1395))
در این پژوهش به منظور اندازه‌گیری تابع توزیع احتمال حالات PIt و PAt به ترتیب از روابط (6) و (7)، استفاده می‌شود.
(6) 
(7) 
که در آن a، b، c و d به ترتیب بیانگر تعداد اقلام موجود در حالات L، LM، HM و H هستند و T بیانگر تعداد سنوات مورد مطالعه است. به تبعیت از رابطه (5)، محتوای اطلاعاتی سود حسابداری (IC(jt))، به عنوان یکی از اجزای صورت سود و زیان در زمان t با استفاده از رابطه (8) اندازه‌گیری می‌شود و در مواردی که عدم اطمینان کاهش می‌یابد از علامت منفی (-) و در موارد افزایش عدم اطمینان از علامت مثبت (+)، برای ارزش محتوای اطلاعاتی سود حسابداری (IC(jt))، استفاده می‌شود.
(8) 
پس از اندازه‌گیری محتوای اطلاعات سود می‌توان نسبت عدم اطمینان را برای شرکت‌ها با استفاده از رابطه (9)، محاسبه کرد که در آن تعداد سال‌هایی که محتوای اطلاعاتی ناشی از سود، رو به کاهش بوده است، در صورت کسر و تعداد سال‌هایی که محتوای اطلاعاتی ناشی از سود، رو به افزایش بوده است، در مخرج کسر قرار گرفته است.
(9) 
که در آن:
(E)γ: تعداد سال‌هایی که عدم اطمینان شرکت در حال افزایش است (تعداد سال‌هایی که محتوای اطلاعاتی ناشی از سود، رو به کاهش بوده است)
(E)θ: تعداد سال‌هایی که عدم اطمینان شرکت در حال کاهش است (تعداد سال‌هایی که محتوای اطلاعاتی ناشی از سود، رو به افزایش بوده است)
نسبت نااطمینانی اجزای ترازنامه (نسبت حقوق مالکانه (qL)): نسبت مالکانه عبارت است از نسبت حقوق صاحبان سهام به جمع دارایی‌ها. در این پژوهش از روابط (3) الی (9)، به منظور محاسبه نسبت نااطمینانی اجزای ترازنامه (نسبت حقوق مالکانه)، استفاده می‌شود.
نسبت نااطمینانی اجزای صورت گردش وجوه نقد (جریان نقد عملیاتی (qC)): در این پژوهش از روابط (3) الی (9)، به منظور محاسبه نسبت نااطمینانی صورت گردش وجوه نقد (جریان نقد عملیاتی)، استفاده می‌شود.
نسبت ترکیب نااطمینانی اجزای صورت سود و زیان و ترازنامه (متغیرهاي سود خالص و نسبت حقوق مالکانه (qEL)): در این پژوهش به منظور محاسبه نسبت ترکیب نااطمینانی اجزای صورت سود و زیان و ترازنامه، ابتدا با استفاده از رابطه (9)، نسبت نااطمیتانی سود خالص و نسبت نااطمیتانی حقوق مالکانه اندازه‌گیری می‌شود. در ادامه، سود خالص و نسبت مالکانه با توجه به اصل رد و شمول به پیروی از ابراهیم مویر (ریاضیدان فرانسوی قرن هیجدهم میلادی) اقدام به ترکیب منابع می‌شود. برای این منظور باید ضریب همبستگی تک تک متغیرها محاسبه شوند و با توجه به رابطه (10)، اقدام به ترکیب منابع شود.
(10) 
که در آن، 
، متغیری با کمترین محتوای اطلاعاتی است، 
، I*، شاخص متغیر آغازین، n، شاخص متغیر پایانی، 
، ضریب همبستگی پیرسون در طول زمان 
بین دو متغیر i و j است، 
، تعداد متغیرهای انتخابی جهت ترکیب محتوای اطلاعاتی هستند. سپس جهت محاسبه محتوای اطلاعاتی صورت‌های مالی از رابطه (11)، استفاده می‌شود.
(11) 
از لحاظ نظری، زمانی محتوای اطاعاتی صورت‌های مالی بیشینه خواهد شد که هر یک از متغیرهای صورت‌های مالی از یکدیگر مستقل باشند. از لحاظ آماری، زمانی محتوای اطاعاتی صورت‌های مالی بیشینه خواهد شد که 
؛ اما چنانچه هر یک از متغیرهای صورت‌های مالی با یکدیگر همبستگی کامل داشته باشند، محتوای اطلاعاتی صورت‌های مالی در کمترین حالت خود قرار خواهد داشت که به منظور تفسیر محتوای اطلاعاتی صورت‌های مالی می‌توان از رابطه (12)، استفاده کرد.
(12) 
که در آن p(t)، بیانگر نسبت ترکیب متغیرهای صورت‌های مالی که نااطمینانی آن‌ها رو به افزایش است به نسبت ترکیب متغیرهای صورت‌های مالی که نااطمینانی آن‌ها رو به کاهش است؛ بنابراین چنانچه مقدار p(t)، کوچک‌تر از یک باشد به منزله این است که ترکیب محتوای اطلاعات صورت‌های مالی رو به کاهش است و اگر مقدار p(t)، بزرگ‌تر از یک باشد نشان دهنده این است که ترکیب محتوای اطلاعات صورت‌های مالی رو به افزایش است. با توجه به این استدلال می‌توان رابطه (13)، را نوشت:
(13) 
در روابط (12) و (13)، مشاهده می‌شود که کاهش محتوای اطلاعات ترکیبی صورت‌های مالی (IC(Ft)-)، باعث افزایش نااطمینانی و کوچک‌تر شدن رابطه (12) و افزایش محتوای اطلاعات ترکیبی صورت‌های مالی (IC(Ft)+)، منجر به کاهش نااطمینانی و بزرگ‌تر شدن رابطه (12)، می‌شود.
نسبت ترکیب نااطمینانی اجزای صورت سود و زیان و صورت گردش وجوه نقد (متغیرهاي سود خالص و جریان نقد عملیاتی (qEC)): در این پژوهش از روابط (10) الی (13)، به منظور محاسبه نسبت ترکیب نااطمینانی اجزای صورت سود و زیان و صورت گردش وجوه نقد (متغیرهاي سود خالص و جریان نقد عملیاتی)، استفاده می‌شود.
نسبت ترکیب نااطمینانی اجزای صورت گردش وجوه نقد و ترازنامه (متغیرهاي جریان نقد عملیاتی و نسبت حقوق مالکانه (qLC)): در این پژوهش از روابط (10) الی (13)، به منظور محاسبه نسبت ترکیب نااطمینانی اجزای صورت گردش وجوه نقد و ترازنامه (متغیرهاي جریان نقد عملیاتی و نسبت حقوق مالکانه)، استفاده می‌شود.
نسبت ترکیب نااطمینانی اجزای صورت سود و زیان، ترازنامه و صورت گردش وجوه نقد (متغیرهاي سود خالص، نسبت حقوق مالکانه و جریان نقد عملیاتی (qELC)): در این پژوهش از روابط (10) الی (13)، به منظور محاسبه نسبت ترکیب نااطمینانی اجزای صورت سود و زیان، ترازنامه و صورت گردش وجوه نقد (متغیرهاي سود خالص، نسبت حقوق مالکانه و جریان نقد عملیاتی)، استفاده می‌شود.
برآورد مدل
قبل از برآورد مدل لازم است به بررسی مانایی داده‌های پژوهش پرداخته شود. با توجه به ماهیت داده‌های پانلی از آزمون لین و لوین و چو جهت بررسی مانایی داده‌های پژوهش بهره گرفته شده است.
نگاره 2: بررسی مانایی داده‌های پژوهش
سطح معناداری | سطح آماره | متغیرها | |
I(0) | 000/0 | 909/7- | قیمت سهام |
I(1) | 000/0 | 187/13- | نسبت نااطمینانی اجزای صورت سود و زیان (سود خالص (qE)) |
I(0) | 000/0 | 303/6- | نسبت نااطمینانی اجزای ترازنامه (نسبت حقوق مالکانه (qL)) |
I(1) | 000/0 | 118/10- | نسبت نااطمینانی اجزای صورت گردش وجوه نقد (جریان نقد عملیاتی (qC)) |
I(0) | 000/0 | 096/5- | نسبت ترکیب نااطمینانی اجزای صورت سود و زیان و ترازنامه (متغیرهاي سود خالص و نسبت حقوق مالکانه (qEL)) |
I(1) | 000/0 | 374/11- | نسبت ترکیب نااطمینانی اجزای صورت سود و زیان و صورت گردش وجوه نقد (متغیرهاي سود خالص و جریان نقد عملیاتی (qEC)) |
I(0) | 000/0 | 498/5- | نسبت ترکیب نااطمینانی اجزای صورت گردش وجوه نقد و ترازنامه (متغیرهاي جریان نقد عملیاتی و نسبت حقوق مالکانه (qLC)) |
I(0) | 000/0 | 187/6- | نسبت ترکیب نااطمینانی اجزای صورت سود و زیان، ترازنامه و صورت گردش وجوه نقد (متغیرهاي سود خالص، نسبت حقوق مالکانه و جریان نقد عملیاتی (qELC)) |
I(0) | 000/0 | 349/6- | اندازه شرکت (Size) |
I(0) | 000/0 | 846/4- | نسبت ارزش دفتری (BV/MV) |
I(1) | 000/0 | 350/8- | نسبت سود به قیمت (E/P) |
I(1) | 000/0 | 157/12- | نسبت ارزش بازار حقوق صاحبان سهام به فروش (P/S) |
منبع: یافته‌های پژوهشگر
با توجه به میزان آماره ایم و پسران و شین و سطح معناداری متغیرهای پژوهش مشاهده می‌گردد برخی داده‌های پژوهش در سطح مانا نبوده و بر این اساس نیاز است به بررسی وجود بردار بلند مدت میان داده‌های پژوهش پرداخته شود.
نگاره 3: بررسی وجود بردار بلند مدت34
مدل پیشبینی قیمت سهام | |
سطح معناداری آزمون پدرونی بدون روند زمانی | |
سطح معناداری | 15.83- (0.000) |
منبع: یافته‌های پژوهشگر
مقایسه مدلهای سنتی و غیرخطی در برآورد مدل در طی زمان
در این بخش لازم است بررسی گردد که تخمین مدل بر اساس مدلهای پانل خودرگرسیون برداری کارایی بالاتری دارد یا تخمین مدل بر اساس مدلهای پانل خودرگرسیون برداری پارامتر متغیر زمان؟ به منظور تعيين این امر ارزش راست‌نمايي دو مدل در نگاره شماره (4)، نمایش داده شده است.
نگاره 4: تست 35LR مقایسه کارایی مدلهای PVAR و PTVPVAR
LR | lnL | نوع روش | آزمون | |||
| 914/398 | PVAR | مقایسه رویکرد خطی با غیرخطی | |||
612/502 | PTVPVAR | |||||
آماره آکاییک | وقفه |
|
8467/0- | وقفه اول | وقفه بهینه |
894/1- | وقفه دوم | |
6097/1- | وقفه سوم | |
5504/1- | وقفه چهارم |
مآخذ: یافته‌های پژوهشگر
بر اساس نتایج وقفه بهینه دو تعیین گردید. جهت تعیین مدل بهینه در مدلهای غیرخطی پانلی از شاخصهای میانگین مربعات خطاهای پیشبینی (37MSFEs) و میانگین لگاریتم احتمال پیشبینی (38ALPLs)، بهره گرفته شده است. نگاره (6)، خلاصه این نتایج را نمایش می‌دهد.
نگاره 6: معیارهاي عملکرد پیشبینی در افق‌هاي پیشبینی مختلف
مدلهای تحقیق | h=1 | h=4 | h=8 | |||
MSFEs | ALPLs | MSFEs | ALPLs | MSFEs | ALPLs | |
| 0.16 | 111.45 | 0.20 | 108.94 | 0.28 | 98.19 |
| 0.19 | 88.83 | 0.22 | 83.32 | 0.44 | 76.03 |
| 0.18 | 129.28 | 0.24 | 126.37 | 0.33 | 113.90 |
| 0.22 | 103.05 | 0.26 | 96.65 | 0.52 | 88.20 |
| 0.19 | 134.45 | 0.25 | 131.43 | 0.34 | 118.45 |
| 0.23 | 107.17 | 0.27 | 100.52 | 0.54 | 91.72 |
بلند مدت | میان مدت | کوتاه مدت | شوک آنی متغیر |
| |
0.1222- | 0.3904- | 0.1405- | 0.1643 |
| نسبت نااطمینانی اجزای ترازنامه (نسبت حقوق مالکانه (qL)) |
0.4805- | 0.5739- | 0.3977- | 0.4698- |
| نسبت نااطمینانی اجزای صورت گردش وجوه نقد (جریان نقد عملیاتی (qC)) |
0.0456- | 0.0251- | 0.0488- | 0.0629- |
| نسبت نااطمینانی اجزای صورت سود و زیان (سود خالص (qE)) |
0.7540- | 0.6795- | 0.8285- | 0.4381- |
| نسبت ترکیب نااطمینانی اجزای صورت سود و زیان و صورت گردش وجوه نقد (متغیرهاي سود خالص و جریان نقد عملیاتی (qEC)) |
1.1776- | 1.4894- | 1.4265- | 0.617- |
| نسبت ترکیب نااطمینانی اجزای صورت سود و زیان، ترازنامه و صورت گردش وجوه نقد (متغیرهاي سود خالص، نسبت حقوق مالکانه و جریان نقد عملیاتی (qELC)) |
0.5000- | 0.6983- | 0.4107- | 0.3909- |
| نسبت ترکیب نااطمینانی اجزای صورت سود و زیان و ترازنامه (متغیرهاي سود خالص و نسبت حقوق مالکانه (qEL)) |
0.7709- | 0.5702- | 0.691- | 1.0514- |
| نسبت ترکیب نااطمینانی اجزای صورت گردش وجوه نقد و ترازنامه (متغیرهاي جریان نقد عملیاتی و نسبت حقوق مالکانه (qLC)) |
مآخذ: یافته‌های پژوهشگر
بر اساس نتایج مشخص است که در میانگین بازه‌های کوتاه مدت، میان مدت و بلند مدت؛ ترکیب نااطمینانی‌ها بیشتر از حالت ساده بر پیشبینی قیمت سهام اثرگذار است؛ افزایش ترکیب‌های نااطمینانی سه گانه (ترکیب نااطمینانی اجزای صورت سود و زیان، ترازنامه و صورت گردش وجوه نقد)؛ بر پیشبینی قیمت سهام قوی‌تر از ترکیب‌های دو گانه است؛ همچنین این پیشبینی در صورت مالی گردش جریان وجه نقد بیشتر از ترازنامه و در ترازنامه بیشتر از صورت سود و زیان است. به عبارتی می‌توان بیان داشت که نااطمینانی در صورت مالی گردش جریان وجه نقد بیش از سایر صورت‌های مالی موجب کاهش دقت در پیشبینی آتی قیمت سهام می‌گردد.
بحث و نتیجه‌گیری
سرمایه‌گذاران در بورس با پراکندگی و حجم بالایی از اطلاعات مواجه هستند که باید از این اطلاعات برای تصمیم‌گیری در سرمایه‌گذاری‌های خود استفاده کنند، چگونگی انتخاب اطلاعات منوط به نوع نگرش، فکری و به نیاز آن‌ها بستگی دارد. اطلاعات سیستم اطلاعاتی حسابداری صرف‌نظر از اشکالات در نحوه ارائه اطلاعات، دیر کرد در زمان ارائه و مفید فایده بودن آن، ارائه دهنده اطلاعات مربوط به گذشته شرکت میباشد، در حالی که اغلب نیازهای اطلاعاتی استفاده‌کنندگان مربوط به تصمیمات آتی میباشد. از میان کلیه اطلاعات ارائه شده توسط سیستم اطلاعاتی حسابداری، آنتروپی صورت‌های مالی میتواند از شاخصهای مؤثر، برای سرمایه‌گذاری و تصمیمات اقتصادی در باب خرید سهام میباشد و این مفهوم را می‌توان فصل مشترک اطلاعات حسابداری و نیازهای استفاده‌کنندگان دانست. هدف از تجزیه و تحلیل صورت‌های مالی از یک سو، ارزیابی عملکرد گذشته واحد تجاری از طرفی فراهم آوردن اطلاعات و روشهای مناسب برای برنامه‌ریزی برای رسیدن به اهداف آتی واحد تجاری میباشد. از اینرو، تلاش‌ها و تحقیقات فراوانی در تجزیه و تحلیل صورت‌های مالی برای پیشبینی وضعیت آتی شرکت صورت پذیرفته و فنون متفاوتی برای این تجزیه و تحلیل‌ها، ابداع گردیده است. از فنون بررسی اقلام ترازنامه به صورت ترکیبی و نه جداگانه آنتروپی میباشد. بر این اساس هدف پژوهش حاضر بررسی فرآیند اثرگذاری نااطمینانی محتوای اطلاعاتی اجزای صورت‌های مالی در پیشبینی قیمت آتی سهام در طی زمان است.
بر اساس نتایج مشخص است که ترکیب نااطمینانی‌های صورت‌های مالی بیشتر از حالت ساده بر پیشبینی آتی قیمت سهام اثرگذار است؛ این نتیجه بدان معنا است که هر یک از صورت‌های مالی توانایی بالایی در ارائه محتوی اطلاعاتی به ذی‌نفعان خود بوده و در تصمیم‌گیری مختلف توسط مدیران و سرمایه‌گذاران باید به ابعاد مختلف این صورت‌های مالی توجه نمود؛ همچنین صورت مالی گردش جریان وجه نقد نسبت به سایر صورت‌های مالی در پیشبینی آتی قیمت سهام اثرگذار است؛ در نتیجه در تهیه شاخصهای آنتروپی صورت‌های مالی باید از رویکردهای وزنی بهره گرفته شود و به هر یک از صورت‌های مالی وزن یکسانی داده نشود؛ تا شاخص مورد نظر کمترین انحراف را با واقعیت داشته باشد.
با توجه به اینکه پژوهش در حوزه نااطمینانی ترکیب اجزای صورت‌های مالی صورت نپذیرفته است؛ نتایج پژوهش در روند کلی خود با نتایج تحقیقات لین (2024)؛ لی و همکاران (2024)؛ شترنشیس و مازاریسی (2024)؛ سونکاوده و همکاران (2023)؛ یوانگ و همکاران (2022)؛ هئو و يونگ (2020)؛ راس (2016)؛ زمانیان و همکاران (1403)؛ سلطانی (1403)؛ کریمیان و شمس (1403)؛ حسنی و رشوندی (1401)؛ سعیدی و همکاران (1401)؛ که بیان می‌دارند؛ صورت‌های مالی دارای محتوی اطلاعاتی برای پیشبینی سهام هستند؛ در یک راستا قرار دارند و نتایج پژوهش حاضر با نتیجه تحقیق سونکاوده و همکاران (2023)؛ شترنشیس و مازاریسی (2024)؛ که بیان می‌دارد؛ رویکردهای غیرخطی نسبت به رویکردهای خطی توانایی بالاتری در پیشبینی قیمت آتی سهام دارند؛ در یک راستا قرار دارد.
پیشنهادهای سیاستی
با توجه به اینکه ترکیب ناطامینانی صورت‌های مالی بیش از سایر حالت‌ها بر قیمت آتی سهام اثرگذار است؛ در نتیجه داشتن یک تفکر سیستمی و توجه به سطح محتوی اطلاعاتی تمامی صورت‌های مالی سه گانه باید مورد توجه ذی‌نفعان شرکت‌ها قرار گیرد؛ اما با توجه به سطح بالای اطلاعات و عدم امکان بررسی تمامی شرکت‌ها به صورت همزمان پیشنهاد می‌گردد از رویکردهای یادگیری ماشینی و هوش مصنوعی جهت بررسی سطح آنتروپی شرکت‌ها بهره گرفته شود.
به سازمان بورس پیشنهاد می‌شود تا الزاماتی را فراهم آورند تا شرکت‌ها شاخصهای ترکیبی از محتوای اطلاعاتی صورت‌های مالی ارائه نمایند و شرکت‌ها را ملزم نماید در طی گزارشی میزان آنتروپی اطلاعات خود را ارائه نموده و در صورت انحراف بالا در این شاخص اقدام به تصحیح اطلاعات بر اساس عملکرد واقعی شرکت‌ها نمایند.
با توجه به اهمیتی که سرمایه‌گذاران در تصمیم‌های خود به میزان آنتروپی صورت‌های مالی شرکت قائل هستند. انتظار می‌رود مدیران شرکت‌ها جهت کاهش ریسک اطلاعات مالی، اقدام به افشاء داوطلبانه قابل اتکاء و افزایش کیفیت صورت‌های مالی نمایند و همچنین از تصمیم‌هایی که باعث ایجاد تغییرهای عظیم در صورت‌های مالی می‌گردد خودداری نمایند تا موجب کاهش سطح محتوی اطلاعاتی صورت‌های مالی خود نگردند؛ چرا که عدم ارائه اطلاعات صحیح توسط شرکت‌ها موجب کاهش سطح اعتمادی عمومی به شرکت و به تبع آن کاهش سطح اعتبار و ارزش شرکت در بلند مدت می‌گردد.
با توجه به نتایج به دست آمده در این پژوهش پیشنهاد می‌شود تحلیل‌گران و همه فعالان بازار از متغیرهای ترکیبی مابین صورت‌های مالی در تصمیمات سرمایه‌گذاری جهت انتخاب سهام پربازده استفاده نمایند. در استراتری‌های سرمایه‌گذاری تکیه واحد بر سود تقسیمی در تصمیم‌گیری‌ها میتواند به پیشبینی اشتباه از سود سال آتی منجر گردد، با شناخت صحیح سود و درک سایر عوامل تأثیرگذار در آن می‌توان در پیشبینی سود سال‌های آتی و قیمت‌های سهام و در نهایت پیشبینی میزان سرمایه‌گذاری تا حدودی موفق عمل نمود.
پیشنهاد کلی در مورد یافته‌های پژوهش این است که شرکت‌ها باید با تاکید بر نقش رفتار اطلاعاتی و تئوری آنتروپی اطلاعات و استقرار سیستم کنترل داخلی، قوانین و مقررات لازم را برای ایجاد و تقویت گزارش‌گری مالی وضع کنند.
پیشنهادهای تحقیقات آتی
این پژوهش فقط نااطمینانی محتوای اطلاعاتی متغیرهای کمی (ترازنامه، سود و زیان و گردش جریان وجه نقد) را در مدل لحاظ نموده است. متغیرهای روان‌شناسی و رفتاری زیادی (مانند بیش اعتمادی مدیر عامل) بر سطح کیفیت صورت‌های مالی اثرگذار هستند؛ در نتیجه لحاظ نمودن آن‌ها در مدل پژوهش میتواند، سهم مالیه رفتاری را در ایجاد آنتروپی صورت‌های مالی مورد بررسی قرار داد.
با توجه به اینکه در پژوهش حاضر مدلهای غیرخطی نسبت به خطی از دقت بالاتری برخوردار بودند؛ استفاده از رویکردهای پارامتر متغیر تصادفی و پارامتر متغیر ساختاری بهره گرفته شود.
با توجه به اینکه نوع صنعت بر سطح آنتروپی صورت‌های مالی بسیار اثرگذار است؛ پیشنهاد می‌گردد در تحقیقات آتی به بررسی روابط مابین متغیرها در صنایع مختلف پرداخته شود.
منابع
اسدی، غلامحسین، پورباقریان، علیرضا. (1389). رابطه رویکردهای تأمین مالی با بازده آتی سهام. مطالعات تجربی حسابداری مالی، 8(29)، 139-153.
آذر، عادل. (1398). آمار و کاربرد آن در مدیریت، جلد اول. تهران، انتشارات سازمان مطالعه و تدوین کتب علوم انسانی دانشگاه‌ها (سمت).
آقایی، محمد علی، خلیلی، مهدی. (1395). حساسیت بازده به تغییرات عدم اطمینان ناشی از سود. پیشرفت‌های حسابداری، 8(2)، 41-64.
بولو، قاسم و مسعود، حسنی القار. (1393). ارتباط میان کیفیت سود، عدم تقارن اطلاعاتی و هزینه حقوق صاحبان سهام. مجله دانش حسابداری، شماره 17، 76-49.
حسنی، زهره، و رشوندی، فاطمه. (1401). تأثیر اطلاعات حسابداری بر بازار سهام. ششمین کنفرانس بین المللی و ملی مطالعات مدیریت، حسابداری و حقوق. SID. https://sid.ir/paper/902107/fa
خلیلی، مهدی.، آقایی، محمدعلی و قایمی، محمدحسین. (1398). ارائه الگویی برای کمی کردن محتوای اطلاعات با استفاده از تئوری اطلاعات. مجله پژوهش‌های حسابداری مالی، سال یازدهم، شماره سوم، پیاپی 41، 18-1.
سعیدی اقدم مهران، صادقی احمد، بحیرایی علیرضا، حاجی اصغری سید یوسف. (۱۴۰۱). ارائه مدل پیشبینی قیمت سهام با استفاده از الگوریتم‌های یادگیری عمیق و کاربرد آن در قیمت‌گذاری سهام بانک‌های اسلامی. نشریه اقتصاد و بانکداری اسلامي. ۱۱ (۴۱)، ۱۱۷-۱۳۴
سلطانی‌پور ساردو، مجتبی، (1403). بررسی تأثیر سرمایه‌گذاران نهادی و آنتروپی صورت‌های مالی بر بازده سهام در شرکت‌های پذیرفته شده در بورس اوراق بهادار تهران، بیستمین کنفرانس ملی اقتصاد، مدیریت و حسابداری، شیروان، https://civilica.com/doc/2070243
عبداله زاده، سلام. کامبیز، فرقان‌دوست حقیقی و حامد، آراد. (1392). بررسی آنتروپی صورت‌های مالی و اثر آن بر تغیيرات سود در صنایع بورس اوراق بهادار تهران. مجله دانش حسابرسی، شماره 13، دوره 52، 133-99
کریمیان، ولی‌اله، شمس، امیر. (1403). بررسی اثر محتوای اطلاعاتی اعلامیه‌های سود سالانه بر تغییرات قیمت سهام. حسابداری و بودجه‌ریزی بخش عمومی، 5(1)، 89-65.
Abdollahzadeh, S., Forqandost haqiqi, K. and Arad, H. (2013). Review the relationship between entropy and profit variables in industries of Tehran Stock Exchange. Journal of Audit Science, 13(52), 99-133. ]In Persian[.
Aghaei, M. and Khalili, M. (2017). Sensitivity to returns due to uncertainty changes of earnings. Journal of Accounting Advances, 8(2), 41-64. doi: 10.22099/jaa.2017.4048. ]In Persian[.
Arkan, T. (2016). The Importance of Financial Ratios in Predicting Stock Price Trends: A Case Study in Emerging Markets. Finanse, Rynki Finansowe, Ubezpieczenia, 79 (1), 13-26.
Asadi, G. and Pourbagherian, A. (2010). Surveying the Relation between Financing Methods and Future Stock Return. Empirical Studies in Financial Accounting, 8(29), 139-153. ]In Persian[.
Azar, Adel. (2019). Statistics and its application in management, Volume 1. Tehran, The Organization for Researching and Composing University Textbooks in the Humanities (Samt). ]In Persian[.
Bernhardt, I., and Copeland, R. M. (2018). Some problems in applying an information theory approach to accounting aggregation. Journal of Accounting Research, 8(1), 95-98.
Blue, G. and Hasani Alghar, M. (2014). Relations among Earnings Quality, Information Asymmetry and Cost of Equity. Journal of Accounting Knowledge, 5(17), 49-75. doi: 10.22103/jak.2014.724. ]In Persian[.
Chen, Y., Fang, R., Liang, T. (2021). Stock price forecast based on CNN-BiLSTM-ECA Model. Scient Program, 1-20.
Chen, Z. and Epstein, L. (2002). Ambiguity, risk, and asset returns in continuous time, Econometrica, 70(4), 1403–1443.
Dai, Z., Dong, X., Kang, J. and Hong, L. (2020). Forecasting stock market returns: New technical indicators and two-step economic constraint method. The North American Journal of Economics and Finance, Volume 53, 101216. https://doi.org/10.1016/j.najef.2020.101216
Dănescu, T. and Stejerean RM. (2022). Companies' behavior in measuring the quality of financial reports: pre-and post-pandemic research. Front Psychol. 19;13:1005941. doi: 10.3389/fpsyg.2022.1005941. PMID: 36600718; PMCID: PMC9807020.
Elia, F., and Stubben, S. R. (2019). The role of financial reporting in resolving uncertainty about corporate investment opportunities. Journal of Accounting and Economics, Elsevier, vol. 68(2).
Espinosa-Paredes, G., Rodriguez, E., & Alvarez-Ramirez, J. (2022). A singular value decomposition entropy approach to assess the impact of Covid-19 on the informational efficiency of the WTI crude oil market. Chaos Solitons Fractals, 160, 112238.
Glezakos, M., Mylonakis, J., and Kafouros, C. (2012). The Impact of Accounting Information on Stock Prices: Evidence from the Athens Stock Exchange. International Journal of Economics and Finance, 2, 56-68.
Habib, A. (2008). The role of accruals and cash flows in explaining security returns. Journal of International Accounting, Auditing and Taxation, 17, 51-66.
Hartley, R. T. V. (1928), Tranmission of information. Bell System Technical Journal, Vol 7, 535-563
Hassani, Z., and Roshwandi, F. (2022). The Impact of Accounting Information on the Stock Market. The 6th International and National Conference on Management Studies, Accounting and Law. https://sid.ir/paper/902107/fa. ]In Persian[.
Hauzenberg, N., Huber, F., Koop, G. and Mitchell, J. (2023). Bayesian Modeling of Time-Varying Parameters Using Regression Trees. Working Papers 23-05, Federal Reserve Bank of Cleveland. doi:10.26509/frbc-wp-202305
Hauzenberger, N. (2020). Flexible Mixture Priors for Large Time-varying Parameter Models. Papers 2006.10088, arXiv.org, revised Nov 2020.
Heo, J. and Yong, J. (2020). Stock Price Prediction Based on Financial Statements Using SVM. International Journal of Hybrid Information Technology, 9(2), 57-66.
Huy, D.T.N., Nhan, V.K., Bich, N.T.N., Hong, N.T.P., Chung, N.T., and Huy, PQ. (2021). Impacts of internal and external macroeconomic factors on firm stock price in an expansion econometric model—a case in Vietnam real estate industry. Data Sci Financ Economet. Studies in Computational Intelligence, 898,189-205.
Jia, Y., Anaissi, A., and Suleiman B. (2024). ResNLS: An improved model for stock price forecasting. Computational Intelligence, 40(1): e12608. doi: 10.1111/coin.12608
Joshua, C.C. Chan and Rodney W. Strachan. (2023). Bayesian State Space Models in Macroeconometrics. Journal of Economic Surveys, Wiley Blackwell, 37(1), 58-75.
Karimian, V. and Shams, A. (2024). Investigating the effect of information content of annual profit announcements on stock price changes. Public Sector Accounting and Budgeting, 5(1), 65-89. doi: 10.22034/psab.2024.193013. ]In Persian[.
Khalili, M. , Aghaei, M. A. and Ghaemi, M. H. (2019). Provide models for quantitication of information content using information theory. Financial Accounting Research, 11(3), 1-18. doi: 10.22108/far.2019.116290.1437. ]In Persian[.
Kim, H., Kim, H.M. and Lee, P.M. (2008). Ownership structure and the relationship between financial slack and R&D investments: Evidence from Korean firms, Organization Science 19(3), 404–418.
Koushki, A., Osoolian, M., & Sadeghi Sharif, S. J. (2023). An uncertainty measure based on Pearson correlation as well as a multiscale generalized Shannon-based entropy with financial market applications. International Journal of Nonlinear Sciences and Numerical Simulation, 24(5), 1821-1839
Lin, J. (2024). Measuring and analyzing the information entropy value of key Audit matters (KAMs) disclosure at the system and reporting scale. Heliyon, 10(1), e23255. https://doi.org/10.1016/j.heliyon.2023.e23255
Lupu, R., et al. (2022). Entropy as Leading Indicator for Extreme Systemic Risk Events. Romanian Journal of Economic Forecasting, 25(4), 58.
Moradi, M., Jafari-Daredor, M. and Hosseinzadeh, S. (2019). Challenges and opportunities for measuring fair value in international financial reporting standards adoption in Iran. J. Account. Audit. Rev. 26 (3), 456–481.
Nyquist, H., (1924), Certain Factors Affecting Telegraph Speed, The Bell System Technical Journal, 3(2), 324 – 346.
Obthong, M., Tantisantiwong, N., Jeamwatthanachai, W. and Wills, G. (2020). A Survey on Machine Learning for Stock Price Prediction: Algorithms and Techniques. Paper presented at 2nd International Conference on Finance, Economics, Management and IT Business, Prague, Czech Republic, May 5–6.
Penman, S. H. (2010). Financial statement Analysis and security Valuation. NewYork, Ny: McGraw Hill/Irwin. 4-8- 200.
Ross, J. F. (2016). The information content of accounting reports: An information theory perspective. Information, 7(3), 1- 23.
Qyrana, M. (2024). Forecasting stock market crashes through entropy-based proper measures of connectedness. Available at SSRN: https://ssrn.com/abstract= 5005696
Saeidi Aghdam M, Sadeghi A, Bahiraie A, Haji Asghari S Y. (2023). Provide a stock price forecasting model using deep learning algorithms and its use in the pricing of Islamic bank stocks. mieaoi; 11 (41) : 5. URL: http://mieaoi.ir/article-1-964-fa.html. ]In Persian[.
Sahore, N. S., and Verma, A. (2017). Corporate Disclosures and Financial Performance of Selected Indian Manufacturing and Non-Manufacturing Companies. Accounting and Finance Research, 6 (1), 102-119.
Shannon, C.E. (1948). A mathematical theory of communication. Bell Syst. Technol. J. 1948, 27, 379–423.
Shternshis. A., Mazzarisi, P. (2024). Variance of entropy for testing time-varying regimes with an application to meme stocks. Decisions Econ Finan, 47, 215–258. https://doi.org/10.1007/s10203-023-00427-9
Soltanipour Sardo, M. (2024). Studying the effect of institutional investors and financial statement entropy on stock returns in companies listed on the Tehran Stock Exchange, 20th National Conference on Economics, Management and Accounting, Shirvan. https://civilica.com/doc/2070243. ]In Persian[.
Sonkavde, G., Dharrao, DS., Bongale, AM., Deokate, ST., Doreswamy, D. and Bhat, SK. (2023). Forecasting Stock Market Prices Using Machine Learning and Deep Learning Models: A Systematic Revie, Performance Analysis and Discussion of Implications. International Journal of Financial Studies, 11(3):94. https://doi.org/10.3390/ijfs11030094
Suzuki, M., Sakaji, H., Izumi, K., Ishikawa, Y. (2022). Forecasting Stock Price Trends by Analyzing Economic Reports with Analyst Profiles. Front Artif Intell, 7;5:866723. doi: 10.3389/frai.2022.866723. PMID: 35747249; PMCID: PMC9210503.
Theil, H. (1969). On the use of information theory concepts in the analysis of financial statements. Management Science, 459-480.
Umphress, E.E. and Bingham, J.B. (2011). When employees do bad things for good reasons: Examining unethical proorganizational behaviors, Organ. Sci. 22(3), 621–640.
Whitman, G. (2018). Rationality as a process, Rev. Behav. Econ. 5 (3-4), 201–219.
Yang, Wenshu Liu, Guoxing Yang, (2023), Analysis of non-linear effects of international financial systemic financial risk on macroeconomic impact Fangzhou, Applied Mathematics and Nonlinear Sciences, 01. Nov. 2023,
Yang, Z., Zhao, T., Wang, S. and Li, X. (2024). MDF-DMC: A stock prediction model combining multi-view stock data features with dynamic market correlation information. Expert Systems with Applications, Volume 238, Part E, 122134. https://doi.org/10.1016/j.eswa.2023.122134
Zamani, M., Pakmaram, A., Rezaei, N., & Abdi, R. (2024). The role of information behavior in financial reporting (With an emphasis on information entropy theory). International Journal of Nonlinear Analysis and Applications, 15(4), 293-309. doi: 10.22075/ijnaa.2022.28778.3985
Zheng, T., Ye, S., & Hong, Y. (2023). Fast estimation of a large TVP-VAR model with score-driven volatilities. Journal of Economic Dynamics and Control, 157, 104762. https://doi.org/10.1016/j.jedc.2023.104762
[1] Sonkavde
[2] Obthong et al.،
[3] Jia
[4] Dai
[5] Huy
[6] Chen
[7] Yang
[8] Suzuki
[9] Dănescu & Stejerean
[10] Elia & Stubben
[11] Theil
[12] Nyquist
[13] Hartley
[14] Shannon
[15] Ross
[16] Zheng
[17] Shternshis
[18] Heo & Yong
[19] Arkan
[20] Sahore & Verma
[21] Glezakos
[22] Habib
[23] Penman
[24] اصطلاح آنتروپی براي اولین بار در فیزیک و ترمودینامیک پدیدارشناسانه مطرح شد و به یک قانون علمی مشهور ـ و نه یک ایده عام فلسفی - تبدیل گردید. در تاریخ این مفهوم، سه گام برداشته شده که گاه از یکدیگر تفکیک نمی‌شود. در ابتدا افزایش آنتروپی با زمان قانونی ثابت در نظر گرفته می‌شد. گام دوم در تاریخ این مفهوم، تدوین دوباره آن به صورتی آماري بود که با مفهوم احتمال ارتباط داشت؛ اما سومین و رایج‌ترین گام در مفهوم این واژه، آن را با مفهوم کمی جدیدي در باب اطلاعات پیوند داد و آن را از محدوده فیزیک خارج کرد.
[25] Whitman
[26] Umphres
[27] جهان طبیعت به سمت افزایش آنتروپی و به تبع آن افزایش بی‌نظمی پیش می‌رود. نظمی که در برهان نظم، مقدمه‌اي براي اثبات وجود خداوند است و حتی نظریه تکامل نیز به عنوان یک نظریه علمی رقیب در برابر این برهان، نظم گسترده طبیعت را می‌پذیرد؛ گرچه آن را به تصادف کور و نه فعل یک ناظم هوشمند؛ نسبت می‌دهد.
[28] The death of software design
[29] Chen & Epstein
[30] Lin
[31] Hauzenberger
[32] Joshua
[33] Bernhardt & Copeland
[34] جهت بررسی همجمعی روش پدرونی آماره‌های متعددی وجود دارد. پدرونی اثبات می‌کند که روش ADF گروهی نسبت به روشهای آماره V پانل، آماره r پانل، آماره t ناپارامتریک پانل (PP)، آماره t ناپارامتریک پانل (ADF)، آماره r گروهی پانل، آماره t ناپارامتریک گروهی پانل (PP) از کارایی بالاتری برخوردار است. بر این اساس در این تحقیق از روش t پارامتریک گروهی (ADF) بهره گرفته شده است.
[35] آزمون حداکثر راستنمایی از نوع آزمون‌های مقایسه رگرسیونهای مقید و نامقید میباشد. بر این اساس در تخمین حاضر مدل TVP نماینده مدل نامقید و مدل OLS نماینده مدل مقید میباشد. اگر قید اعمال شده بر تابع نامقید شدید باشد؛ بیانگر متفاوت بودن دقت مدلهای مقید و نامقید بوده و در نتیجه بهتر است از مدل TVP استفاده نماییم. در صورتی که قید اعمال شده بر تایع نامقید ضعیف باشد بیانگر یکسان بودن نتایج مدلهای مقید و نامقید بوده و بهتر است در این حالت از مدل OLS استفاده نماییم.
[36] معیار اطلاعاتی آکائیک (Akaike information criterion ، به طور مخفف AIC)، معیاری برای سنجش نیکویی برازش است. این معیار بر اساس مفهوم انتروپی بنا شده است و نشان می‌دهد که استفاده از یک مدل آماری به چه میزان باعث از دست رفتن اطلاعات می‌شود.
[37] Mean Squared Forecast Errors
[38] Averages of Log Predictive Likelihood
Related articles
-
Pathology of electronic financial reporting in terms of content.Dimensions and structure
Print Date : 2023-06-20
The rights to this website are owned by the Raimag Press Management System.
Copyright © 2021-2025