پیش‌بینی ریسک درماندگی مالی شرکتهای بورس اوراق بهادار تهران با استفاده از مدلهای تحلیل عاملی، درخت تصمیم و رگرسیون لجستیک
محورهای موضوعی : دانش سرمایه‌گذاری
رسول طهماسبی
1
(دانشجوی دکتری تخصصی، گروه مدیریت، واحد امارات، دانشگاه آزاد اسلامی ، دبی، امارات متحده عربی)
علی اصغر انواری رستمی
2
(استاد،گروه مدیریت، دانشگاه تربیت مدرس، تهران، ایران. (عهده دار مکاتبات))
عباس خورشیدی
3
(استاد،گروه مدیریت، واحد اسلامشهر، دانشگاه آزاد اسلامی،تهران،ایران.)
سیدجلال صادقی شریف
4
(استادیار،گروه مدیریت، دانشگاه شهید بهشتی، تهران، ایران.)
کلید واژه: ریسک درماندگی مالی, تحلیل عاملی, رگرسیون لجستیک, درخت تصمیم, بورس تهران,
چکیده مقاله :
این پژوهش درصدد است تا با استفاده از مدلهای درخت تصمیم و رگرسیون لجستیک به پیش بینی درماندگی مالی شرکتهای پذیرفته شده در بورس اوراق بهادار تهران بپردازد. برای این منظور 33 نسبت مالی در افق زمانی 5 ساله مورد بررسی قرار گرفته است، از سوی دیگر، جهت کاهش بعد داده ها و یافتن الگوی ارتباط درونی مجموعه متغیر ها، از مدل تحلیل عاملی استفاده شده است و متغیر ها با توجه به میزان ارتباط شان با درماندگی مالی در 8 فاکتور طبقه بندی شده اند. در ادامه، نتایج مدل درخت تصمیم و مدل رگرسیون لجستیگ با یکدیگر مورد مقایسه قرار گرفته است. نتایج تحقیق نشان می دهد هر دو مدل قابلیت پیش بینی درماندگی مالی را دارا می باشند، اما مدل در خت تصمیم از قدرت پیش بینی بالاتری نسبت به مدل رگرسیون لجستیک برخوردار است.
This research predicts financial distress of companies listed on Tehran Stock Exchange using Factor Analysis, Decision Tree, and Logistic Regression models. For this purpose, 33 financial ratios have been investigated in the 5-year time horizon. In order to reduce the dimensions of the data and to find the internal relationship the variables, factor analysis model has been used. Then, the variables according to their relationships with financial distress are classified in eight factors. In the following, the results of the decision tree and the logistic regression models are compared with each other. The results show that both models have the ability to predict financial distress, but the decision tress model has a higher predictive power than the logistic regression model.
* آهنگری، م. (1390). به کارگیری درخت تصمیم جهت پیش بینی شرکت های ورشکسته و غیر ورشکست شده پذیرفته شده در بورس اوراق بهادار.
* انواری رستمی، ع. عموقین، ر.،(1396). تصمیم‌گیری در مسائل مالی. تهران: انتشارات ترمه
* اسماعیل زاده مقری، ع.، شاکری، ه. (1394). پیش بینی درماندگی مالی شرکت های پذیرفته شده در بورس اوراق بهادار تهران با استفاده از شبکه بیزی ساده و مقایسه آن با تحلیل پوششی داده ها. مهندسی مالی و مدیریت پرتفوی، 6(22)، 1-28.
* انواری رستمی، ع.، عموقین، ر.(1396). تصمیم‌گیری در مسائل مالی. تهران:انتشارات ترمه
* حسینی، م.، رشیدی، ر . (1392). پیش بینی احتمال ورشکستگی شرکت های پذیرفته شده در بورس اوراق بهادار تهران با استفاده از مدل رگرسیون لجستیک. مجله پژوهش های حسابداری مالی، 5(17)، 105-130.
* شباهنگ، ر. (1379). مدیریت مالی جلد 1. انتشارات سازمان حسابرسی، 92(4).
* فدایی نژاد، م.، اسکندری، ر. (1390). طراحی و تبیین مدل پیش‌بینی ورشکستگی شرکت‌ها در بورس اوراق بهادار تهران، تحقیقات حسابداری، 1(9).
* منصورفر، غ.، غیور، ف. (1394). توانایی ماشین بردار پشتیبان در پیش بینی درماندگی مالی. پژوهش های تجربی حسابداری مقاله 10، 5(1).
* منصورفر، غ.، غیور، ف. (1395). اثر تعدیل گر کیفیت سود در پی بینی درماندگی مالی شرکت های پذیرفته شده بورس اوراق بهادار تهران مقاله 2، 4(4).
* موسوی شیری، م.، طبرستانی، م. (1388). پیش بینی درماندگی مالی با استفاده از تحلیل پوششی داده ها. تحقیقات حسابداری و حسابرسی، 1(2) . 2-8.
* مهرانی، س.، کرمی، ک. (1383). استفاده از اطلاعات تاریخی مالی و غیرمالی جهت تفکیک شرکت های موفق و ناموفق. بررسی های حسابداری و حسابرسی، 11(1).
* Alfaro, E & Garcia, N. (2008). Bankruptcy forecasting: An empirical comparison of Adaboost and neural networks. Decision Support Systems, 45. 110-122.
* Altman, E.I. (2000), Predicting financial distress of companies: Revisiting the A-score and Zeta Models, Stern School of Business, New York University.
* Barak. A.Z. (2010). Cash flow ration vs. accruals ratios: Empirical research on incremental information content. The Business Review, 15, 206-213.
* Beaver, W.H. (1966). Financial ratios as predictors of failure. Journal of Accounting Research, 4, 71-111.
* Cantoni, Emiliano and Silvi, Riccardo, Financial Distress and Ratios Informative Capability: Empirical Evidence from the Italian Food & Beverage Industry (October 8, 2010). Available at: http://dx.doi.org/10.2139/ssrn.1012651
* Kouki, M. & Elkhaldi, A. (2011). Toward a predicting model of firm bankruptcy: Evidence from the Tunisian context. Middle Eastern Finance and Economics, 14. 26-43.
* Murtaza, M., & Shah, J. (2000). A neural network based clustering procedure for bankruptcy prediction. American Business Review, 18 (2), 80-86.
* Ohlson, J.A. (1980). Financial Ratios and the probabilistic prediction of Bankruptcy. Journal of Accounting Research, 18: 109-131.
* Qunfeng Liao, Seyed Mehdian. (2016). Measuring financial distress and predicting corporate bankruptcy: An index approach. 9(1).
* Sun, L & Shenoy, P. (2007). Using Bayesian networks for bankruptcy prediction. European Journal of Operational Research, 180(2): 738-753.
_||_