Using neural network approach to predict company’s profitability and comparison with decision tree c5 and support vector machine (svm)

Subject Areas : Financial Knowledge of Securities Analysis

Malihe Habibzade ¹ ( MSc. accounting, Tarbiat Modares University, Tehran, Iran. )
Mostafa Ezadpour ² ( Assistant Professor of accounting, Faculty of accounting, University of Qom, Qom, Iran. )

Received: 2018-10-19 Accepted : 2019-02-12 Published : 2020-06-21

Keywords: Prediction, Profitability, Neural Network, support vector machine (SVM), C5 determination tree,

Abstract :

Profit as one of the most important indicators of measuring the performance of the economic unit is one of the important accounting issues that has a high status due to the competitive environment and the importance of quick and proper decision making by managers. Therefore, it is important to analyze the index, factors affecting it and predict profitability. In this regard, the present study was conducted by selecting a sample of 124 observations for the period from 1387 to 1395, based on the basic information of the companies financial statements; the effect of 34 variables on the accuracy of predicting the profitability of the accepted companies by Tehran stock exchange, has been investigated. Tree C5 method was used to determine the significant variables in predicting profitability due to the high ease of understanding of the model. Finally, after determining the effective variables and identifying 8 variables, the accuracy of the predictions was measured using the neural network technique, the C5 decision tree and the backup vector machine (SVM), and the results from these three algorithms were compared. The results of the comparison show that using the c5 decision tree and the 8 variables have the best prediction with accuracy of 93.54%, and then the neural network model is 81.45% more accurate than the supported vector machine (69.35%) and has an error.

References:

*   اعتمادی، ح، و آذر، ع، و بقائی، و (1391). به کارگیری شبکه‌های عصبی در پیش‌بینی‌ سودآوری شرکت‌ها. مجله دانش حسابداری. 10(3)، 51-70.

*      باغومیان، رافیک، و محمدی، حجت، و نقدی، سجاد (1395). نوسان متغیرهای کلان اقتصادی و پیش‌بینی سود توسط مدیران. مطالعات تجربی حسابداری مالی. 13 (50)، 65-88.

*      براتی، علی. (1386). بررسی رابطه بین سطوح افشا و هزینه سرمایه سهام. پایان‌نامه کارشناسی ارشد. گروه حسابداری. دانشکده اقتصاد و مدیریت. دانشگاه علامه طباطبایی.

*      بقائی، وحید. (1389). بکارگیری شبکه‌های عصبی برای پیش‌بینی‌ سودآوری شرکت‌ها. پایان نامه کارشناسی ارشد. گروه حسابداری. دانشکده مدیریت و اقتصاد. دانشگاه تربیت مدرس.

*      بهرامفر، ن، ساعی، م (1385). ارائه مدل برای پیش‌بینی‌ عملکرد (مالی و بازار) شرکت‌های پذیرفته شده در بورس اوراق بهادار تهران با استفاده از اطلاعات مالی منتشره. مجله بررسی‌های حسابداری و حسابرسی. 43، 45- 70.

*      پناهی‌آذر، مریم. (1385). داده‌کاوی جهت مقاصد پیش‌بینی. پایان نامه کارشناسی ارشد. گروه مهندسی کامپیوتر. دانشکده مهندسی. دانشگاه صنعتی شریف.

*      ثقفی علی، غلامعلی پور رضا (1391). محتوای اطلاعاتی پیش‌بینی‌های سود، تکرار سوگیری در ارائه پیش‌بینی‌ها و عوامل مؤثر بر خطای پیش‌بینی. فصلنامه بورس اوراق بهادار، 18، 173-203.

*      جعفری صمیمی احمد، منتظری جلال، خزائی ایوب (1395). بررسی تأثیر شیوه تأمین مالی دولت بررشد اقتصادی ایران (باتاکید بر درآمدهای نفتی و مالیاتی دولت). برنامه‌ریزی و بودجه. 132.

*      جنت رستمی، م. (1378). بررسی نقش و قابلیت سود و جریان‌های نقدی آتی سرمایه گذاری در سهام شرکت‌های پذیرفته شده در بورس اوراق بهادار تهران. پایان نامه کارشناسی ارشد. گروه حسابداری. دانشکده علوم اداری. دانشگاه شهید بهشتی.

*      حجازی رضوان، محمدی شاپور، اصلانی زهرا، آقاجانی مجید (1391). پیش‌بینی مدیریت سود بااستفاده از شبکه‌عصبی و درخت‌تصمیم در شرکت‌های پذیرفته شده در بورس اوراق بهادار تهران، بررسی‌های حسابداری و حسابرسی، 2، 31-46.

*      حقیقت، حمید و اسدالهی، علی (1390). سودمندی برآوردهای حسابداری در پیش‌بینی سودها و جریان‌های نقدآتی، پژوهش‌های تجربی حسابداری مالی، 1، 2، 29-45.

*      خالقی مقدم، حمید و رحمانی، علی (1382). سودمندی اقلام صورت‌های مالی غیراز سود در پیش‌بینی سود، فصلنامه مطالعات حسابداری، 1.

*      راعی، رضا. فلاح‌پور، سعید (1387). کاربرد ماشین بردار پشتیبان در پیش‌بینی درماندگی مالی شرکت‌ها بااستفاده از نسبت‌های مالی، فصلنامه بررسی‌های حسابداری و حسابرسی، 53، 34-17.

*      سجادی، ح، و دستگیر، م، و فرازمند، ح، و محمودی، و (1386). عوامل مؤثر بر سودآوری شرکت‌های پذیرفته شده در بورس اوراق بهادار تهران، مجله تحقیقات اقتصادی، 80، 49-73.

*      صالحی مهدی، امینی فرد زهره (1391). بررسی مؤلفه‌های تاثیرگذار بر پیش‌بینی سودنقدی سهام با استفاده از مدل‌های ترکیبی: مورد صنعت شیمیایی، مجله پژوهش‌های تجربی حسابداری، 6، 111-130.

*      صالحی مهدی، فرخی لاله. (1397). پیش‌بینی مدیریت سود بااستفاده از شبکه عصبی و درخت‌تصمیم، پژوهش‌های حسابداری مالی و حسابرسی، 37، 1-24.

*      صنیعی‌آباده، محمد (1391). داده‌کاوی کاربردی. تهران: انتشارات نیاز‌ دانش.

*      عربی مزرعه شاهی محمدرضا. بررسی اثرتعدیل EPS پیش‌بینی شده بر قیمت سهام در شرکت‌های پذیرفته شده در بورس اوراق بهادار تهران، پایان نامه کارشناسی ارشد، دانشکده علوم اداری و مدیریت دانشگاه تهران؛ 1380.

*      علیزاده سمیه، محمدی سمیرا. (1390). داده‌کاوی و کشف دانش گام به گام با نرم‌افزار Clementine، انتشارات دانشگاه صنعتی خواجه نصیرالدین طوسی.

*      علی‌محمدی، علی‌محمد. عباسی‌مهر، محمدحسین و جواهری، احمد (1394). پیش‌بینی بازده سهام شرکت‌ها بااستفاده از نسبت‌های مالی تحت رویکرد درخت‌تصمیم،مجله راهبرد مدیریت مالی، 3، 11، 151-129.

*      غلامعلی پور رضا. بررسی توانایی اقلام تعهدی غیراختیاری در پیش‌بینی سود و جریان‌های نقدی آتی، پایان نامه کارشناسی ارشد، دانشکده مدیریت و حسابداری دانشگاه شهید بهشتی، تهران؛ 1383.

*      غلامعلی پور، رضا (1383). بررسی توانایی اقلام تعهدی غیراختیاری در پیش‌بینی سود و جریان‌های نقد آتی، پایان‌نامه کارشناسی ارشد، دانشکده مدیریت و حسابداری، دانشگاه شهید بهشتی.

*      فرج زاده دهکردی، ح. (1386). کاربرد الگوریتم ژنتیک در مدل بندی پیش‌بینی‌ ورشکستگی. پایان نامه کارشناسی ارشد. گروه حسابداری. دانشکده مدیریت و اقتصاد. دانشگاه تربیت مدرس.

*      کیامهر، م (1387). شبکه‌های عصبی در matlab. تهران: انتشارات کیان رایانه سبز.

*      مدرس، ا، و عباس زاده، م (1387). بررسی تحلیلی توانایی پیش‌بینی‌ اجزای تعهدی و جریانهای تعهدی و جریانهای نقدی بر کیفیت سود پیش‌بینی‌ شده، مجله دانش توسعه، 24(15)، 212-248.

*      مرادزاده فرد، مهدی و پورباقری، آزاده (1388). ارائه مدل پیش‌بینی سود بااستفاده از ترکیب نسبت‌های مالی، مجله حسابداری مدیریت، 2، 1.

*      منهاج محمدباقر (1385). هوش محاسباتی (مبانی شبکه‌های عصبی)، تهران، انتشارات دانشگاه امیرکبیر.

*      مهدوی، غلامحسین و رستگاری، نجیمه (1386). محتوای اطلاعاتی ارزش افزوده اقتصادی برای پیش‌بینی سود، مجله علوم اجتماعی و انسانی دانشگاه شیراز، 26، 1، 137-156.

*      مهرانی، س، و مهرانی، ک، و کرمی، غ (1383). استفاده از اطلاعات تاریخی مالی و غیرمالی جهت تفکیک شرکت‌های موفق و ناموفق، مجله بررسی‌های حسابداری و حسابرسی، 38(11)، 77-92.

*      مینایی بهروز، نصیری مهدی، حسنی دانیال، شناسا ابراهیم. (1390). آموزش گام به گام داده‌کاوی با Clementine، انتشارات گروه مهندسی-پژوهشی ساحر.

*      نوروش ایرج، غلام زاده مهدی (1382). بررسی رفتار سود حسابداری بااستفاده از سری‌های زمانی باکس – جنکیز، مجله بررسی‌های حسابداری و حسابرسی،31، 16-3.

*          Acqaah, M., Chi, T. (2007). A Longitudinal Analysis of the impact of Firm Resources and IndustryCharacteristics on Firm-Specific profitability, Journal Management Governance, 11، 179-213.

*         Andres, J., Landajo, M. and Lorca, P. (2005). Forecasting business profitability by using classification techniques: A comparative analysis based on a Spanish case. European Journal of Operational Research, Vol. 167, No. 3, pp. 518-542.

*         Ashari, N., H. Chye Koh, S. L. Tan and W. H. Wong (1994) “Factors affecting income smoothing among listed companies in Singapore”, Accounting and Business Research.

*         Basu, S., (1983), The Relationship Between Earning Yield, Market Value, and Return for NYSE Common Stocks: Jornal of Financial Economics, No. 12, pp; 129-156.

*         Bernstein L. (1993). Financial Statement Analysis. 5thed. Homewood, IL: Irwin

*         Berry, M. J., Gordon, L. (2004). Data Mining Techniques for Marketing Sales and Customer Relationship Management. Journal of Business Finance and Accounting, 18 (4)، 257-267.

*         Beynon, M., Clatworthy, M. and Jones, M. (2004). The prediction of profitability using accounting narratives: a variable-precision rough set approach. Intelligent Systems in Accounting, Finance and Management, Vol. 12 No. 4, PP 227-242.

*         Bhattacharyay, B. (2011). Bond Market Development in Asia; An Empirical Analysis of Major Determinants. ADBI Working paper 300. Tokyo; Asian Development Bank Institute.

*         Bikker, J.A. & Metzemakers, P.A.J. (2005). Bank Provisioning Behavior and Procyclicality. Journal of International Financial Markets, Institutions and Money, 15, 141-157.

*         Bouvatier V, Lepetit L. (2008). Banks procyclical behavior; Does provisioning matter? Journal of International Financial Markets, Institutions & Money 18, 513-526.

*         Chan, K., Jegadeesh, N., Sougiannis, N. (2004). “the Accrual Effect on Future Earnings”, Review of Quantitative Financial AND Accounting 22,p.p.97-121.

*         Charitou, A., Clubb, C. (1999). Earnings, cash flows and security returns over long return intervals. Journal of Business Finance and Accounting, 26, 283–312.

*         Chen, Mu-Yen. (2013). “A hybrid ANFIS model for business failure prediction utilizing particle swarm optimization and subtractive clustering”. Information Sciences. Volume 220, Pages 180-195.

*         Cho, S., Kim, J., Bae, J. K. (2009). An integrative model with subject weight based on neural network learning for bankruptcy prediction. Expert Systems with Applications, 36, 403–410

*         Evans, O., Leone, A., Gill, M., Hilbers, P. (2003). Macroprudential indictors of financial system soundness, IMF Occasional Paper, 192, IMF.

*         Finger, A. C., (1994), “The Ability of Earning to Predict Future Earnings and Cash flow”, Journal of Accounting Research, (Autumn), PP. 210-223.

*         Foster, R. (1986). Innovation; The Attacker’s Advantage, Summit Books, New York.

*         Garrod, N., Rees, W. (1999). Forecasting Earnings Growth Using Fundamentals Woruag paper, University of Glasyow.

*         Graham, B., Dodd, D. and Cottle, L. (1962). Security Analysis, New York: Mc Graw Hill.

*         Gunn sr. (1998). support vector machines for classification and regression. ISIS technical report, 14.

*         Hendriksen, E.S. & Van Breda, M.F. (2009). Accounting Theory (Volume 1).

*         hong, W. (2007). A recurrent support vector regression model in rainfall forecasting. Hydrological process, 21, 819-827.

*         ‌Hong, Y. S. (‌2007). Capital growth,‌financing source

*         Kaveh, M., DucBui, M., Rutschman, P., (2017). “A comparative study of three different learning algorithms applied to ANFIS for predicting daily suspended sediment concentrational”, international journal of sediment research.

*         Laeven, L., Majnoni, G. (2003). Loan loss provisioning and economic slowdowns: too much, too late? Journal of Financial Intermediation 12, 178-197.

*         Lam, D.,Barber, K. (2004). Verifying and Explaining Agent Behavior in an Implemented Agent System.in Third International Joint Conference on Autonomous Agents and Multiagent Systems, New York, 1226 – 1227

*         Lev, B. (1993). Fundamental Information Analysis, Journal of Accounting Research, 8, 190-215.

*         Lev, Baruch. Li, Siyi. And Theodore, sougiannis, T.(2009). “The Usefulness of Accounting Estimates for Predicting Cash Flows and Earning”. Unpublished PhD. Dissertation, New York University.

*         Machova, F., Barcak, P. (2006). A Bagging Method using Decision Trees in the Role of Base Classifiers. Journal of Acta Polytechnica Hungarica, 3, 126-132

*         Min H. Jae, & Lee C. Young (2005). “Bankruptcy prediction using support vector machine with optimal choice of kernel function parameters”. Expert Systems with Applications, 28, 603-614.

*         Sharma, P. (2009). Advanced Application of Data Warehousing Using 3-tier Architecture. Journal of library & information technology, 29(2), 61-66

*         Sloan, R. (1996). Do stock Prices Fully Reflect Information in Accruals and Cash Flows about Future Earnings? Journal of accounting Review, 71, 289-315.

*         Tong, S., Kian, CH., (2016). “Predicting IPOs performance using generalized growing and pruning algorithm for radial basis function (GGAP-RBF) Network”. 12(1).

*         Vapnik, s. (1982). estimation of dependences based on empirical data.

*         Xie, CH. Luo, CH (2011). “Financial distress prediction based on SVM and MDA methods: the case of Chinese listed companies. Qual Quant, 45, 671-686