دانش سرمایه‌گذاری

دانش سرمایه‌گذاری

تبیین مدل بهینه‌ پیش ‌بینی عملکرد شرکت‌ها با استفاده از تکنیک ‌های داده ‌کاوی

نوع مقاله : مقاله پژوهشی

نویسندگان
امیر حسین مروجی 1
فرهاد دهدار 2
علی حریمی 3
1 دانشجوی دکتری، گروه حسابداری، واحد شاهرود، دانشگاه آزاد اسلامی، شاهرود، ایران.
2 استادیار، گروه حسابداری، واحد شاهرود، دانشگاه آزاد اسلامی، شاهرود، ایران.
3 استادیار، گروه مهندسی برق، واحد شاهرود، دانشگاه آزاد اسلامی، شاهرود، ایران.
10.30495/jik.2024.73621.4302
چکیده
چکیده
پژوهش حاضر بر پایه تبیین مدل بهینه‌ پیش ‌بینی عملکرد شرکت ‌ها با استفاده از تکنیک ‌های داده ‌کاوی بنا نهاده شده است. روش این پژوهش از نوع کاربردی، از نظر شیوه‌ انجام کار، از نوع پژوهش ‌های توصیفی - علّی و از نظر بعد زمانی نیز، از نوع پژوهش ‌های پس‌ رویدادی می باشد. در گام نخست، با رجوع به بانک‌ های اطلاعاتی نظیر پایان‌ نامه ‌ها، مقالات و پژوهش ‌های مشابه، ادبیات مورد نیاز در جهت نگارش مبانی نظری و پیشینه پژوهش، گردآوری گردید. در ادامه، اطلاعات شرکت ‌های مورد بررسی انتخاب شده بعنوان نمونه آماری، که اطلاعات آنها، به صورت بانک ‌‌های اطلاعاتی بر روی لوح‌ های فشرده موجود بوده و تحت نظارت و بررسی نهادهای مسئول می‌ باشند، از طریق مراجعه به صورت ‌های مالی حسابرسی شده و نرم ‌افزار ره ‌آورد نوین گردآوری شد. اطلاعات مذکور مشتمل بر داده‌های مالی 107 شرکت پذیرفته شده در بورس اوراق بهادار تهران برای یک دوره زمانی 10 ساله از ابتدای سال 1391 تا پایان 1400 بود. در نهایت یافته ‌ها بیان داشت الگوریتم کرم شب‌ تاب، الگوریتم ژنتیک و الگوریتم تکاملی در پیش ‌بینی نسبت کیوتوبین، بازده حقوق صاحبان سهام و بازده سهام موثر بوده و الگوریتم کرم شب‌ تاب توان بالاتری جهت پیش ‌بینی نسبت کیوتوبین، بازده حقوق صاحبان سهام و بازده سهام دارد.

عنوان مقاله English

Explanation of Optimal Model for Predicting the Performance of Companies by Using Data Mining Techniques

نویسندگان English

Amir Hossein Maroji 1
farhad dehdar 2
Ali Harimi 3
1 Student of PhD, Shahrood Branch, Islamic Azad University, Shahrood, Iran.
2 Assistant Professor, Department of Accounting, Shahrood Branch, Islamic Azad University, Shahrood, Iran
3 Assistant Professor, Department of Electrical Engineering, Shahrood branch, Islamic Azad University, Shahrood, Iran.
چکیده English

Abstract
The current research is based on the explanation of the optimal model for predicting the performance of companies using data mining techniques. The method of this research is of the applied type, in terms of the way of doing the work, it is of the descriptive-causal research type, and in terms of the time dimension, it is of the post-event research type. In the first step, by referring to databases such as theses, articles and similar researches, the required literature was collected in order to write the theoretical foundations and background of the research. In the following, the information of the investigated companies selected as a statistical sample, whose information is available in the form of data banks on CDs and is under the supervision and review of the responsible institutions, was audited by referring to the financial statements and New implementation software was compiled. The aforementioned information included the financial data of 107 companies admitted to the Tehran Stock Exchange for a period of 10 years from the beginning of 2012 to the end of 2021. Finally, the findings showed that the firefly algorithm, genetic algorithm and evolutionary algorithm were effective in predicting the ratio of QTobins, return on equity and return on equity, and the firefly algorithm had a higher power to predict the ratio of QTobins, return on equity and return. has shares

باباجانی، جعفر؛ تقوا، محمدرضا؛ بولو، قاسم و عبدالهی محسن. (1398). پیش‌بینی قیمت سهام در بورس تهران با استفاده از شبکه عصبی بازگشتی بهینه شده با الگوریتم کلونی زنبور عسل مصنوعی. مجله راهبرد مدیریت مالی شماره 25.
پاشا، مجتبی.(1401). استفاده از رویکرد احتمالی برای بهبود پیش بینی عملکرد مالی شرکت‌ها. پایان‌نامه داخل کشور کارشناسی ارشد، دانشگاه آزاد اسلامی واحد چالوس، دانشکده مدیریت و حسابداری.
سلیم‌زاده، سجاد.(1401). مقایسه الگوریتم های آماری ویادگیری ماشین برای پیش بینی عملکرد مالی شرکت ها. پایان‌نامه کارشناسی ارشد دانشگاه ارومیه، دانشکده اقتصاد و مدیریت.
کهنسال، محمود؛ زارعی، علیرضا و بهمنش، رضا (1400). ارائه مدل تلفیقی فرا ابتکاری هوشمند (انفیس-ام جی جی پی)؛ جهت پیش‌بینی بازده سهام با سرعت و دقتی بالاتر نسبت به سایر روش‌های فراابتکاری فصلنامه مهندسی مالی و مدیریت اوراق بهادار شماره 47.
مجتهدزاده، ویدا و مونا قدرتی. (1391). اثر بی‌قاعدگی اقلام تعهدی بر قیمت‌گذاری شرکت‌ها، مهندسی مالی و مدیریت اوراق بهادار، شماره 10.
ولی زاده لاریجانی، اعظم؛ بهبهانی نیا، پریسا سادات (1397). بررسی تجربی عوامل مؤثر بر بازده سهام: جنبه‏‌های مختلف اثرگذار بر تصمیم‌گیری. دانش حسابداری مالی، 5(4).
یزدان‌جو، مینا؛ ربیعی، مهناز. (2016). ارزش افزوده اقتصادی و ارزش افزوده بازار.
 
منابع لاتین
Cunado, J., & de Gracia, F. P. (2014).‌Oil price shocks and stock market returns: Evidence for some european countries. Energy Economics, 42, 365–377.
Furlaneto, D. C., Oliveira, L. S., Menotti, D., & Cavalcanti, G. D.‌(2017).‌Bias effect on predicting market trends with EMD. Expert Systems with Applications, 82, 19–26.
Huang, L., & Wang, J.‌(2018).‌Forecasting energy fluctuation model by wavelet decomposition and stochastic recurrent wavelet neural network. Neurocomputing, 309, 70–82.
Lee,Lin, C. (2010). An accounting-based valuation approach to valuing corporate governance in Taiwan. Journal of Contemporary Accounting & Economics, 6, 47–60 .
Matin N, Ashtiani, Bijan, Raahemi.(2023).‌News-based intelligent prediction of financial markets using text mining and machine learning: A systematic literature review. Expert Systems with Applications, Volume 217, 1 May 2023, 119509.
Mouseli ,S., Jaafar, A., and Hussainey, K. (2012). Accruals Quality vis-à-vis Disclosure Quality: Substitutes or Complements. The British Accounting Review, 44 (2012), 36–46 .
Ozge, Cagcag, Yolcu, Ufuk,  Yolcu.(2022).‌A novel intuitionistic fuzzy time series prediction model with cascaded structure for financial time series. Expert Systems with Applications24 November 2022‌.
Peng, Yaohao a b, Pedro Henrique Melo Albuquerque a, Herbert Kimura a, Cayan Atreio Portela Bárcena Saavedra.(2021).‌Feature selection and deep neural networks for stock price direction forecasting using technical analysis indicators. Machine Learning with Applications, Volume 5, 15 September 2021, 100060.
Vogl, Markus a, Peter Gordon Rötzel LL.M b a, Stefan Homes.(2022).‌Forecasting performance of wavelet neural networks and other neural network topologies: A comparative study based on financial market data sets. Machine Learning with Applications, Volume 8, 15 June 2022, 100302.
Yao, T., Yu, T., Zhang, T., and Chen, S. (2011). Asset growth and stock returns: Evidence from Asian financial markets. Pacific-Basin Finance Journal–١١۵ ,١٩ ,.١٣٩
Yu, Yang, Jun, Wang.(2022).‌Forecasting wavelet neural hybrid network with financial ensemble empirical mode decomposition and MCID evaluation. Expert Systems with  Applications, Volume 166, 15 March 2021, 114097.