بابک مرادی - دانشجوی دکتری، گروه حسابداری، دانشکده علوم انسانی، واحد ارومیه، دانشگاه آزاد اسلامی، ارومیه، ایران.
جمال بحری ثالث - استادیار، گروه حسابداری، دانشکده علوم انسانی، واحد ارومیه، دانشگاه آزاد اسلامی، ارومیه، ایران.
سعید جبارزاده کنگرلویی - دانشیار، گروه حسابداری، دانشکده علوم انسانی، واحد ارومیه، دانشگاه آزاد اسلامی، ارومیه، ایران.
علی آشتاب - استادیار، گروه حسابداری، دانشکده اقتصاد و مدیریت، دانشگاه ارومیه، ارومیه، ایران.

هدف: پژوهش حاضر با شناسایی عوامل موثر بر نقدشوندگی، مدلی برای پیش بینی وضعیت نقدشوندگی سهام، در بازار اوراق بهادار تهران ارائه کرده است. روش: ۲۳ عامل مشخص شده در مطالعات کتابخانه ای، بر اساس داده های ۱۵۴ شرکت فعال در فاصله زمانی ۱۳۸۸ تا ۱۳۹۸ استخراج و در قالب دو خوشه افراز شد. با استفاده از معادلات ساختاری با رویکرد حداقل مربعات جزئی، اعتبار متغیرهای شناسایی شده با معیار حاصل از خوشه بندی ارزیابی شد. یافته ها: ارزیابی ارتباط متغیرها در مدل های یادگیری ماشینی نشان داد که جریان نقدی غیرعادی، هزینه اختیاری غیرعادی، خطای تخمین اقلام تعهدی، تفاوت بین سرمایه در گردش تحقق یافته و موردانتظار، سهام شناور آزاد، دوره تصدی حسابرس، حق الزحمه حسابرسی، سهم بازار حسابرس، محافظه کاری و تغییر حسابرس، در خوشه بندی بیشترین تاثیر را دارند. سرانجام بهترین مدل یادگیری ماشینی، بر اساس آموزش و آزمون انتخاب شد. نتیجه گیری: نتایج نشان می دهد که متغیرهای مستقل، بیش از ۷۲ درصد از تغییرات نقدشوندگی را توضیح می دهند. همچنین مدل شبکه های عصبی در مقایسه با سایر مدل های یادگیری ماشینی، توان پیش بینی بیشتری دارد و با ۳۲/۹۹ درصد صحت برازش، مناسب ترین مدل پیش بینی نقدشوندگی است.

بازار اوراق بهادار تهران, نقدشوندگی, یادگیری ماشینی