بررسی مقایسه ای پیش بینی درماندگی مالی شرکت ها با استفاده از متغیر های حسابداری با دو مدل آلتمن و اسمایوسکی در بورس اوراق بهادار تهران
سال انتشار: 1394
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 764
فایل این مقاله در 14 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
این مقاله در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
CAFM04_022
تاریخ نمایه سازی: 12 تیر 1395
چکیده مقاله:
اهمیت ویژه بازار سرمایه در توسعه اقتصادی ازطریق هدایت مؤثر سرمایه ها و تخصیص بهینه منابع غیرقابل انکار است. سرمایه گذاریدر بازار سرمایه مستلزم تصمیم گیری می باشدکه این خود نیازمند دستیابی به اطلاعاتی در خصوص وضعیت آینده قیمت بازار سهاممی باشد. لذا درصورتی که بتوان روند آتی بازار سهام را با روش های مناسب پیش بینی نمود، سرمایه گذار می تواند بازده حاصل ازسرمایه گذاری خود را بیشینه سازد. به تازگی بحران های مالی در سطح بین الملل و اتخاذ تصمیمات سیاسی موجب تأثیر گذاری درمحیط کسب وکار ایران شده است و از آنجایی که آینده وضعیت مالی شرکت ها برای گروه های ذینفع مهم تلقی می گردد، پیشبینی ور شکستگی می تواند به عنوان ابزاری جهت کمک به آنها استفاده شود. روش های پیش بینی به طور مداوم در حال تکامل هستندو امروزه شبکه های عصبی مصنوعی جایگاه ویژه ای در بین این روش ها پیدا کرده است. به دلیل اینکه یادگیری بخش قابل توجهی ازمدل های شبکه عصبی بشمار می رود، روش های یادگیری هم جهت آموزش این گونه مدل ها از اهمیت ویژه ای برخوردارند. بنابراینیافتن روش آموزش مناسب به منظور دستیابی به اهداف مورد نظر لازم به نظر می رسد. از این رو پژوهش حاضر به دنبال یافتن روشبهتر برای ساخت و آموزش شبکه های عصبی مصنوعی است که منجر به پیش بینی دقیق تر در موضوع ورشکستگی شود. در این میاندو شبکه عصبی مصنوعی از نوع توابع شعاع مدار ساخته شد که به صورت جداگانه توسط متغیرهای مدل آلتمن( 1983 ) واسمایوسکی( 1984 ) آموزش داده شدند و پس از سنجش توانایی دو مدل در پیش بینی ورشکستگی، دقت آنها مورد مقایسه قرار گرفتهاست. بازه زمانی 1385 تا 1392 (هفت سال) برای انتخاب نمونه از شرکت های پذیرفته شده در بورس اوراق بهادار تهران انتخاب شدکه در مجموع 66 شرکت شامل 344 نمونه (نیمی ورشکسته و نیمی غیر ورشکسته) می باشد. نتایج نشان می دهند که هر دو مدل تواناییپیش بینی ورشکستگی را دارند و مدل آموزش یافته با متغیرهای مدل آلتمن دقیق تر از مدل آموزش یافته با متغیرهای مدل اسمایوسکیقادر به انجام این امر است.
کلیدواژه ها:
هوش مصنوعی ، شبکه عصبی مصنوعی ، تابع شعاع مدار ، ورشکستگی ، ماده 141 قانون تجارت ، خطای آلفا ، خطای بتا
نویسندگان
سعید حسین پور
گروه حسابداری، مرکز گمیشان-واحد گرگان، دانشگاه آزاد اسلامی، گمیشان، ایران
رضا نوروزی
گروه مدیریت، واحد علی آباد، دانشگاه آزاد اسلامی، علی آباد، ایران
مراجع و منابع این مقاله:
لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :