عنوان مقاله :
كاربرد روشهاي گوسي و شعاعي در پيش بيني محدوديت مالي شركت‌هاي پذيرفته شده در بورس اوراق بهادار تهران
عنوان به زبان ديگر :
Application of methods radial neural network, Gaussian process regression in predicting financial constraints Companies admitted to the Tehran Stock Exchange
پديد آورندگان :
غلامزاده، محمدرضا دانشگاه سيستان و بلوچستان - دانشكده مديريت و اقتصاد - گروه حسابداري , فغاني، مهدي دانشگاه سيستان و بلوچستان - دانشكده مديريت و اقتصاد - گروه حسابداري , پيفه، احمد دانشگاه سيستان و بلوچستان - دانشكده مديريت و اقتصاد - گروه حسابداري
كليدواژه :
رگرسيون فرآيند گوسي , شبكه عصبي شعاعي , محدوديت مالي
چكيده فارسي :
يكي از مسائل مهم در پيش بيني محدوديت مالي، انتخاب متغيرهاي مناسب جهت پيش بيني مي‌باشد. در اين پژوهش جهت پيش بيني محدوديت مالي، روش هوش مصنوعي فرآيند گوسي و شبكه عصبي شعاعي را بررسي نموديم. براي اين منظور تعداد 208 شركت طي سال‌هاي 1390 تا 1396 به‌عنوان جامعه آماري انتخاب شده‌اند كه با توجه به در دسترس بودن اطلاعات، تمام شركت‌ها به‌عنوان نمونه آماري مورد بررسي قرارگرفته است. نتايج اين پژوهش كه نشان داد روشهاي هوش مصنوعي توانايي پيش بيني محدوديت مالي شركت‌هاي پذيرفته شده در بورس اوراق بهادار تهران را دارد. بنابراين فرضيه اصلي اين پژوهش تأييد مي‌گردد و روشهاي شبكه عصبي شعاعي و فرآيند گوسي روشهاي كارآمد براي پيش‌بيني محدوديت مالي است. همچنين نتايج پژوهش نشان داد كه متغيرهاي ارزش شركت، نسبت وجه نقد عملياتي به دارايي‌ها، اهرم مالي، بازده دارايي‌ها، درصد مالكان نهادي داراي بيشترين اهميت در پيش‌بيني محدوديت مالي مي‌باشند.
چكيده لاتين :
One of the important issues in predicting financial constraints is the choice of predictor variables. In this study, we investigated the Gaussian process machine learning method and radial neural network to predict financial constraints. For this purpose, 208 companies from 1390 to 1396 have been selected as the statistical population. Due to the availability of information, all companies have been considered as a statistical sample. The results of this study showed that machine learning methods have the ability to predict the financial constraints of corporations admitted to Tehran Stock Exchange. Therefore, the main hypothesis of this research is confirmed and machine learning methods are an effective way to predict financial constraints. Also, the results showed that the company's value, operating cash flow ratio, financial leverage, return on assets, and the percentage of institutional owners had the most importance in predicting financial constraints.
عنوان نشريه :
مهندسي مالي و مديريت اوراق بهادار
