پيش‌بيني جريان وجه نقد عملياتي شركت‌هاي پذيرفته‌شده در بورس اوراق بهادار تهران با استفاده از روش يادگيري ماشين

Forecast the operating cash flow of accepted companies In Tehran Stock Exchange using machine learning method

وجوه نقد، دارايي‌هاي مالي سيال شركت‌ها مي‌باشد. اين ويژگي موجودي نقد، اهميت فوق‌العاده‌اي را به آن بخشيده، توانايي اخذ تصميمات مالي بهينه و به‌موقع، به مقدار زيادي تحت تأثير اين ويژگي قرار دارد. شركت‌هايي كه داراي جريان وجوه نقد داخلي خوبي هستند كمتر به تأمين مالي خارجي متكي مي‌باشند و وام‌دهندگان نيز به اين شركت‌ها به دليل نقدينگي خوبي كه دارند به‌راحتي اعتبار مي‌دهند. پژوهش حاضر ازلحاظ هدف، از نوع تحقيقات كاربردي است. همچنين در اين پژوهش، از روش داده‌هاي تركيبي استفاده‌شده است. روش گردآوري داده‌ها، روش اسناد كاوي و مراجعه به بانك‌هاي اطلاعاتي؛ و روش تحليل داده‌ها از نوع استنباطي است. در پژوهش حاضر داده‌هاي موردنياز از نرم‌افزار ره‌آورد نوين، صورت‌هاي مالي شركت‌ها و سندكاوي و همچنين سايت كدال استخراج‌شده است. جامعه آماري پژوهش حاضر كليه شركت‌هاي پذيرفته‌شده در بورس اوراق بهادار تهران در بازه زماني 1390 تا 1397 است و ازاطلاعات مالي138 شركت مورد بررسي بهره گرفته‌شده است. هدف اين پژوهش پيش‌بيني وجه نقد عملياتي با رويكرد هوش مصنوعيPLSVM و CART در شركت‌هاي پذيرفته‌شده در بورس اوراق بهادار تهران مي‌باشد. در اين پژوهش نسبت وجه نقد عملياتي شركت به‌عنوان متغير وابسته(نقدينگي) و معيارهاي مالي به‌عنوان متغير مستقل اوليه در نظر گرفته شد. نتايج آزمون فرضيه‌هاي پژوهش نشان مي‌دهد كه رويكرد هوش مصنوعي قانون‌گرا وغيرخطي پارامتريك توانايي بالايي در پيش‌بيني نقدينگي شركت‌هاي بورس اوراق بهادار تهران دارد.

Cash is the fluid financial assets of companies. This feature of cash flow has given it tremendous importance, and the ability to make optimal and timely financial decisions is greatly influenced by this feature. Companies with good domestic cash flows are less likely to rely on external financing, and lenders can easily lend to these companies because of their good liquidity. The present study is an applied research in terms of purpose. Also, in this study, the combined data method has been used. Data collection method, document mining method and referring to databases; an‎d the method of data analysis is inferential. In the present study, the required data have been extracted from the new Rahvard software, corporate financial statements and syndication, as well as the Codal site. The statistical population of the present study is all companies listed on the Tehran Stock Exchange in the period2011 to 2018and the financial information of 138 companies has been used over 8 years. The purpose of this study is to predict operational cash with PLSVM and CART artificial intelligence approach in companies listed on the Tehran Stock Exchange. In this study, the company's operating cash ratio was considered as a dependent variable (liquidity) and financial metrics were considered as the initial independent variable. The results of testing the research hypotheses show that the parametric nonlinear law-based artificial intelligence approach has a high ability to predict the liquidity of companies on the Tehran Stock Exchange.