مقايسه مدل هاي طراحي شده با استفاده از درخت تصميم و شبكه فازي- عصبي مصنوعي براي عدم اطمينان جريانات وجوه نقد در شركت هاي پذيرفته شده در بورس اوراق بهادار تهران

Comparison of models designed using decision tree and fuzzy-artificial neural network for the uncertainty of cash flows in companies admitted to the Tehran Stock Exchange

شواهد زيادي وجود دارند كه نشان داده‌اند كه عدم اطمينان در جريانات وجوه نقد بر سياست ها و تصميمات مالي شركت هاي بورس تأثيرگذار است. لذا با توجه به اهميت تصميمات مالي براي بهره برداران، مقاله حاضر با هدف طراحي مدلي براي عدم اطمينان جريانات وجوه نقد براي شركت‌هاي پذيرفته شده در بورس اوراق بهادار تهران انجام شده است. براي اين منظور، در اين پژوهش داده‌هاي مربوط به 441 شركت از شركت‌هاي بورسي را براي دوره زماني بين سالهاي 1393 تا 1397 مورد بررسي قرار داده‌ايم. اين داده‌ها با استفاده از درخت تصميم و شبكه عصبي– فازي مصنوعي (Anfis) و با استفاده از نرم افزارهايSpss ، Eviews9 و Matlab 2015a مورد تحزيه و تحليل قرار گرفته است و مدلي براي عدم اطمينان جريانات وجوه نقد با توجه به متغيرهاي توضيحي استخراج گرديده است. شبكه هاي عصبي مصنوعي به عنوان يكي از روش هاي نوين مدل سازي در سال هاي اخير مورد توجه ويژه قرار گرفته است. براساس نتايج پژوهش، ريسك شركت و سرمايه گذاري شركت از مهمترين عوامل موثر براي تبيين عدم اطمينان جريانات وجوه نقد هستند. همچنين مقايسه ها نشان مي دهد كه مدل استخراج شده با استفاده از درخت تصميم عملكرد بهتري نسبت به مدل استخراجي با شبكه فازي – عصبي استفاده از دارد.

Many pieces of evidence have shown that uncertainty in cash flows affects the financial policies and decisions of stock companies. Therefore, according to the importance of financial decisions for operators, this article aims to design a model for the uncertainty of cash flows for companies listed on the Tehran Stock Exchange. For this purpose, in this research, we have examined the data of 441 listed companies between 2013 and 2017. These data have been analyzed using a decision tree and artificial neural-fuzzy network (Anfis) and using Spss, Eviews9, and Matlab 2015a software and a model for the uncertainty of cash flows has been extracted according to explanatory variables. Artificial neural networks have received special attention as one of the new modeling methods in recent years. Based on the results of the research, company risk and company investment are the most important effective factors to explain the uncertainty of cash flows. Also, the comparisons show that the model extracted using the decision tree has a better performance than the model extracted using the fuzzy-neural network.