مقايسه كارايي تكنيك‌هاي تجزيه‌وتحليل دروني و مقايسه‌اي داده در الگوريتم ژنتيك غيرخطي جهت پيش‌بيني سودآوري شركت‌ها

Comparing the Ability of Internal and Comparative Data Analysis in Non-Linear Genetic Algorithm in Predicting Corporate Profitability

هرچند دانسته‌ها در مورد روش تصميم‌گيري استفاده‌كنندگان از صورت‌هاي مالي اندك است. اما به‌طور قطع مي‌توان گفت بخشي از تصميم‌گيري، به پيش‌بيني توانايي سودآوري آينده شركت‌ها مربوط مي‌شود. همچنين سودآوري به‌عنوان مبنايي براي ارزيـابي كـارايي مـديران شركت‌ها مورداستفاده قرار مي‌گيرد. اين پژوهش، باهدف معرفي الگـوريتم مـناسب جهت پيش‌بيني سودآوري به تصميم‌گيرندگان، با استفاده از 23 نسبت مالي برتر، به ‌عنوان متغير مستقل، به مقايسه توانمندي تكنيك‌هاي تجزيه ‌و تحليل دروني و مقايسه‌اي داده در الگوريتم ژنتيك غيرخطي در پيش‌بيني سودآوري آينده شركت‌هاي پذيرفته‌شده در بـورس اوراق بهـادار تهران طي سال‌هاي 1371 تا 1391 پرداخته كه طبق نتايج به‌دست‌آمده، نتايج نشان مي‌دهد مدل الگوريتم ژنتيك غيرخطي مبتني بر تجزيه ‌و تحليل درو ني داده‌ها با دقت 90.04% داراي توانمندي بيشتري در پيش‌بيني سودآوري نسبت به مدل الگوريتم ژنتيك غيرخطي مبتني بر تجزيه ‌و تحليل مقايسه‌اي داده‌ها با دقت 72.85% مي‌باشد.

Although knowledge about how users of financial statements make decisions is limited, it certainly can be said that a part of decision-making relates to predictability of future profitability. Also, profitability is used as a basis for assessing the efficiency of corporate managers. This study, with the aim of introducing an appropriate algorithm for predicting the profitability to the decision makers, by the top 24 financial ratios as independent variables, compares the abilities of internal and comparative data analysis in Non-Linear Genetic Algorithm in anticipating the future profitability of companies listed in Tehran Stock Exchange during the years 2002 to 2012. Results of tests indicated that prediction accuracy of internal data analysis in Non-Linear Genetic Algorithm (90.04%) was greater than that of comparative data analysis in Non-Linear Genetic Algorithm (72.85%).