عنوان پایان‌نامه
یررسی تطبیقی میزان توانمندی الگوهای پیش بینی کننده بحران مالی در شرکتها براساس متغیرهای مالی(مطالعه موردی شرکتهای پذیرفته شدهدر بورس تهران بر اساس الگوریتم ژنتیک خطی، مدل شبکه عصبی ومدل اسپرینگیت)
- رشته تحصیلی
- مدیریت بازرگانی-مدیریت مالی
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 58961
- تاریخ دفاع
- ۱۰ شهریور ۱۳۹۱
- دانشجو
- محمد شیرغلامی
- استاد راهنما
- حمید زارع
- چکیده
- چکیده یکی از مسائلی که همیشه ذهن دانشمندان و محققان را به خود مشغول داشته بحث پیشگویی است در سطح کشور و از جمله در جمع شرکتهای تولیدی پذیرفته شده در بورس اوراق بهادار تهران، شرکتهایی دیده میشوند که با بحران مالی مواجه هستند که باعث بروز زیان برای اقشار مختلف جامعه و مخصوصاً سرمایهگذاران و اعتباردهندگان میگردند. یکی از راه‌هایی که می¬توان به بهرهگیری مناسب از فرصت¬های سرمایهگذاری و همچنین جلوگیری از هدر رفتن منابع کمک کرد پیش¬بینی وضعیت مالی شرکتها است. پس از پیش‌بینی وضعیت مالی می‌توان از مبتلا شدن شرکتها به بحران مالی و ورشکستگی تا حدودی جلوگیری کرد و به ریشه‌یابی و ردیابی علل آن پرداخت. در این راستا، الگوهای متفاوتی طراحی شده که با استفاده از روش¬های تحلیلی گوناگون به پیش¬بینی وضعیت مالی شرکتها می‌پردازند که هر کدام نقاط قوت و ضعف خاص خود را دارند. در این پژوهش سه مدل پیش‌بینی‌کننده ورشکستگی اسپرینگیت، الگوریتم ژنتیک خطی و شبکه عصبی‌مصنوعی مورد بررسی تطبیقی قرار گرفته‌اند و نتایج حاصل از بررسی آنها نشان داد مدل اسپرینگیت توانایی بالایی نسبت به مدل شبکه عصبی‌مصنوعی و الگوریتم ژنتیک در پیش‌بینی وضعیت مالی شرکتها دارد. بنابراین باتوجه به نتایج بدست آمده پیشنهاد می‌شود اعتباردهندگان برای درجه‌بندی شرکتها جهت اعطای تسهیلات، مدیران به منظور اتخاذ تصمیمات به موقع، کارا و اثربخش، تحلیلگران بورس اوراق بهادار جهت آگاهی ذینفعان وشرکت‌ها، حسابرسان به منظور ارزیابی تداوم فعالیت و سایر استفاده‌کنندگان با توجه به اهدافشان، در میان این سه مدل به ترتیب از مدل اسپرینگیت، شبکه عصبی‌مصنوعی و الگوریتم ژنتیک خطی استفاده نمایند. کلمات کلیدی: الگوریتم ژنتیک خطی، شبکه عصبی مصنوعی، مدل اسپرینگیت، الگوهای پیش‌بینی کننده ورشکستگی.
- Abstract
- One of things that have always occupied the minds of scientists and researchers is the prediction. At the national level, especially company listed in Tehran Stock Exchange, there are companies that face to financial crises. These crises are causing the loss of people, especially investors and creditors. One way that can help properly exploit the investment opportunities and avoid wasting resources is forecasting the financial condition of companies, after forecasting the financial status can identify the reasons for the failure to prevent bankruptcy. In this way, many different models have been developed that using various analytical projecting method to predicting financial status of the companies, that which one have their own strengths and weaknesses. In this thesis we comparatively study three Prediction Models (Springate method, linear genetic algorithms & artificial neural networks). The results showed that Springate method has high capacity to forecast the company's financial position then artificial neural network and genetic algorithm. Thus, according to the results suggest that creditors for ranking companies as bankrupt or non-bankrupt for Facilities Grant, Managers to make efficient and effective decisions in timely, Stock analysts to inform stakeholders before Encounter financial crisis and the other people according to their goals Can use the models examined in this study.
