تعيين روش بهينه پيش بيني درماندگي مالي شركت ها (مطالعه موردي: شركت هاي بورس اوراق بهادار تهران)

(Developing an Optimal Method for Financial Distress Prediction of the Firms (Case Study: Tehran Stock Exchange

يكي از مهم‌ترين موضوعات مطرح در حوزه مديريت مالي، آن است كه سرمايه‌گذاران فرصت‌هاي مطلوب سرمايه‌گذاري را از فرصت‌هاي نامطلوب تشخيص دهند. در راستا، ‌يكي از راه‌هاي كمك به سرمايه‌گذاران ارائه‌ي مدل‌هاي پيش‌بيني درماندگي مالي شركت‌ها است. با توجه به مطالعات مختلفي كه براي توسعه اين دسته از مدل‌ها انجام گرفته‌اند، در پژوهش حاضر از تركيب تكنيك‌هاي شبكه‌ عصبي مصنوعي و الگوريتم ژنتيك بر مبناي نسبت‌هاي پيش‌بيني زيمنسكي براي مدل‌سازي پيش-بيني درماندگي مالي استفاده شده است. جامعه آماري تحقيق، شامل شركت‌هاي سهامي عام حاضر در بورس اوراق بهادار تهران است كه طي دوره زماني مهر 1392 تا مهر 1394 در بورس فعاليت داشته‌اند كه از ميان آنها، 66 شركت درمانده و 150 شركت سالم با روش غربال‌سازي به‌عنوان نمونه‌‌ انتخاب شده‌اند. نتايج نشان مي‌دهند كه شبكه عصبي و الگوريتم ژنتيك در پيش‌بيني درماندگي مالي از قدرت برابر (95 درصد) برخوردارند، با اين وجود، خطاي پيش‌بيني در شبكه عصبي در مقايسه با الگوريتم ژنتيك پايين‌تر است.

One of the most important issues in the field of financial management is how the investors distinguish between favorable investment opportunities and undesirable ones. One of the ways to help investors is to provide financial distress prediction models. According to the various studies have been made to develop these type of models, in this study the combination of artificial neural networks (ANN) and genetic algorithm (GA) techniques based on Zimensky prediction ratios is used for modeling financial distress. The research statistical population includes public companies in Tehran stock exchange which admitted between October 2013 to October 2015 and among them 66 distressed and 150 going concern companies were selected as the research sample using screening method. The results indicate that the power of both artificial neural network and genetic algorithm models in financial distress prediction are equal (95 percent), however, the prediction error of neural network is relatively low compared to genetic algorithm.