پيش بيني محدوديت مالي شركت هاي پذيرفته شده در بورس اوراق بهادار تهران با بكار گيري روش هاي Relief-Svm -Chaid

Predict the Financial Limitations of Companies Accepted in Tehran Stock Exchange Using the Relief-Svm-Caiid methods

بحث محدوديت‌هاي مالي يكي از موضوعات اساسي و مهم پيش روي تمام شركت‌ها مي‌باشد. پيش‌بيني محدوديت مالي يك پديده بااهميت براي سرمايه‌گذاران، اعتباردهندگان و ساير استفاده‌كنندگان از اطلاعات مالي محسوب مي‌شود. اين پژوهش با استفاده از اطلاعات 7 سال مالي طي دوره 1390 الي 1396 و با استفاده از اطلاعات مالي 213 شركت به بررسي عوامل مؤثر بر محدوديت مالي و پيش‌بيني آن با استفاده از روش هاي يادگيري ماشين (الگوريتم طبقه بندي ماشين بردار پشتيبان و الگوريتم قانون گراي چايد) پرداخته است. در گام نخست با استفاده از روش ريليف از بين متغيرهاي اوليه پژوهش تعداد پنج متغير نسبت وجه نقد عملياتي به‌كل دارايي‌ها، اهرم مالي، كيوتوبين، بازده فروش و نسبت مالكان نهادي به‌عنوان متغيرهاي بااهميت در پيش‌بيني محدوديت مالي شركت ها انتخاب‌شده‌اند. همچنين نتايج نشان داد كه الگوريتم ماشين بردار پشتيبان با استفاده از داده‌هاي مالي منتخب توانايي پيش‌بيني محدوديت مالي را با قدرت بالاي 80 درصد و همچنين بيشتر از الگوريتم قانون‌گرا چايد دارد.

Predict the Financial Limitations of Companies Accepted in Tehran Stock Exchange Using the Relief-Svm-Caiid methods Abstract Discussion of financial constraints is one of the key issues facing all companies. Predicting financial constraints is an important phenomenon for investors, creditors and other users of financial information. This research uses the information of 7 financial years during the period 2012-2017 and using financial information of 213 companies to study the factors affecting financial limitation and its prediction using artificial intelligence algorithm method (backup algorithm classification algorithm and the rule-oriented algorithm Chaid). In the first step, using the Relief Algorithm, among the initial research variables, five variables of the ratio of total operational assets to total assets, the ratio of total debt to the total assets, the kbitwin, the return on sales, and the ratio of institutional owners were selected as important variables in the company's financial constraint, respectively. The results also showed that the three-class support algorithm using selected financial data has the ability to predict future financial constraints with a power greater than 80% and more than the law-governed algorithm.