بخش صنعت و معدن بازار سرمایه ایران

پیش بینی درماندگی مالی یک پدیده بااهمیت برای سرمایه گذاران، اعتباردهندگان و سایر استفاده کنندگان از اطلاعات مالی محسوب می شود. تعیین احتمال درمانده شدن یک شرکت قبل از بروز درماندگی یک موضوع بسیار جالب و جذاب محسوب می شود و می تواند هم برای مدیران و هم برای سرمایه گذاران و اعتباردهندگان مفید واقع شود. این پژوهش با استفاده از اطلاعات 6 سال مالی طی دوره 1390 الی 1395 در بخش صنعت و معدن بازار سرمایه به بررسی تأثیر متغیرهای اقتصادی بر درماندگی مالی و پیش بینی آن با استفاده از الگوریتم هوش مصنوعی (کلونی زنبور عسل) پرداخته است. نتایج تحقیق حاکی از تأثیر متغیرهای اقتصادی بر درماندگی مالی شرکت های بخش صنعت و معدن بازار سرمایه است و همچنین نتایج نشان می دهد الگوریتم زنبور عسل توانایی بالایی در تحلیل و پیش بینی درماندگی مالی با متغیرهای اقتصادی دارد.

تحلیل درماندگی مالی یک پدیده بااهمیت برای سرمایه گذاران، اعتباردهندگان و سایر استفاده کنندگان از اطلاعات مالی محسوب می شود. تعیین احتمال درمانده شدن یک شرکت قبل از بروز درماندگی یک موضوع بسیار جالب و جذاب محسوب می شود و می تواند هم برای مدیران و هم برای سرمایه گذاران و اعتباردهندگان مفید واقع شود. در این پژوهش، با استفاده از اطلاعات 1350 شرکت سال طی دوره 1387 الی 1395 در بخش صنعت و معدن بازار سرمایه ایران، به بررسی عوامل مؤثر بر درماندگی مالی و پیش بینی آن به وسیله روش های یادگیری ماشین (الگوریتم ژنتیک مرتب سازی نامغلوب چندهدفه و کلونی زنبور عسل) با استفاده از نرم افزار متلب 2017 پرداخته است. نتایج تحقیق حاکی از تأثیر غیرمستقیم نسبت مدیران غیرموظف و نسبت مالکان نهادی و تاثیر مستقیم مدیریت سود و اعتمادبه نفس کاذب مدیریت بر درماندگی مالی از بین سایر متغیر های مدیریتی می باشد. همچنین نتایج نشان می دهد که الگوریتم هوش مصنوعی توانایی پیش بینی درماندگی مالی را بااستفاده از شاخص های مدیریتی دارد و توانایی الگوریتم کلونی زنبور عسل از الگوریتم ژنتیک مرتب سازی نامغلوب چندهدفه جهت پیش بینی درماندگی مالی بیشتر می باشد.

تحلیل درماندگی مالی یک پدیده با اهمیت برای سرمایه گذاران، اعتباردهندگان و سایر استفاده کنندگان از اطلاعات مالی محسوب می شود. تعیین احتمال درمانده شدن یک شرکت قبل از بروز درماندگی یک موضوع بسیار جالب و جذاب محسوب می شود و می تواند هم برای مدیران و هم برای سرمایه گذاران و اعتباردهندگان مفید واقع شود. در این پژوهش با استفاده از اطلاعات 1350 شرکت سال طی دوره 1387 الی 1395 در بخش صنعت و معدن بازار سرمایه ایران به بررسی عوامل مؤثر بر درماندگی مالی و پیش بینی آن به وسیله الگوریتم های هوش مصنوعی (روش درخت تصمیم، ماشین بردار پشتیبان و طبقه بندی بیز) با استفاده از نرم افزار متلب 2017 پرداخته است. نتایج تحقیق حاکی از تأثیر مستقیم تورم و ریسک مالی و تأثیر معکوس نسبت مدیران غیرموظف، بازده سالانه سهام و نسبت وجه نقد عملیاتی بر درماندگی مالی می باشد. همچنین نتایج نشان می دهد که الگوریتم درخت تصمیم با استفاده از داده های مالی و اقتصادی کارایی بالاتری نسبت به روش طبقه بندی بیز و ماشین بردار پشتیبان در جهت پیش بینی درماندگی مالی دارد.