عنوان پایان‌نامه
پیش بینی درماندگی مالی شرکت ها با استفاده از روش حداقل مربعات جزئی( pls ) و ماشین بردار پشتیان ( svm ) در بورس اوراق بهادار تهران
- رشته تحصیلی
- مدیریت مالی
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 70462
- تاریخ دفاع
- ۲۹ بهمن ۱۳۹۳
- دانشجو
- مجید ششمانی
- استاد راهنما
- سعید فلاح پور
- چکیده
- درماندگ? مال? و ورشکستگ? شرکتها به هدر رفتن منابع و عدم بهره¬گیری از فرصتهای سرما?هگذاری منجر م?شود. در تحقیق حاضر به بررسی 210 شرکت در صنایع مختلف پرداخته شد. در این تحقیق با استفاده از روش حداقل مربعات جزیی(PLS) از میان 28شاخص تحت بررسی در نهایت 11شاخص دارای بیشترین تأثیرگذاری بر درماندگی شرکت‌های تحت بررسی شناسایی گردیده شد.از جمله مهمترین شاخص¬هایی که بیشترین تاثیر را بر درماندگی مالی شرکت¬ها دارند می¬توان به دارایی‌های جاری/ بدهی‌های جاری؛ دارایی‌های جاری/ کل دارایی؛ سرمایه در گردش / فروش ؛ فروش/ موجودی کالا؛ فروش/ حساب‌های دریافتنی؛ سود خالص/بدهی ؛ حساب¬های دریافتنی/بدهی ؛ سود خالص/فروش؛ کل بدهی/کل دارایی ؛ کل بدهی/ حقوق صاحبان سهام ؛ بدهی جاری/ حقوق صاحبان سهام اشاره کرد. بر اساس نتایج تمامی‌متغیرهای مستقل گزینش شده مدل، دارای اثر معنی‌داری بر روی شاخص درماندگی بودند. در نهایت با استفاده از دو روش شبکه عصبی و ماشین بردار پشتیبان اقدام به پیش بینی درماندگی مالی شرکتها نمودیم. در نهایت بر اساس آزمون مقایسه زوجی مشاهده گردید که روش ماشین بردار پشتیبان ترکیبی نسبت به شبکه عصبی ترکیبی از دقت بالاتری جهت پیش بینی احتمال درماندگی مالی برخوردار است. بررسی¬های انجام شده نشان می¬دهد که مدل svm ترکیبی نسبت به مدل شبکه عصبی ترکیبی،نه تنها از دقت کلی بهتری برخوردار است،بلکه توانایی بالاتری نیز در تعمیم پذیری دارد.
- Abstract
- Financial distress and bankruptcy wasting resources and lead to take advantage of investment opportunities. In this paper we investigate 210 companies in various industries of Tehran Stock Exchange. In this paper, by using Partial Least Square method, we selected 11 variables among 28 candidate variable that has the greatest influence on financial distress company. Based on the results, all the independent variables selected model, had a significant effect on the company's financial distress indicators. Based on the results, factors such as: Current¬ assets/current liabilities, Current assets/ total assets, Working capital/ sales, Sales/ inventory, sales/ receivables, Net profit/ liabilities, Receivables/ liabilities, Net profit/ sales, Liabilities/ total assets, Liabilities/ equity, Current liabilities/ equity, have the most significant effect on companies’ financial distress indicators. Finally, we used a neural network and SVM method to predict financial distress. Our results indicated that hybrid SVM model has higher prediction power comparing with hybrid Neural Network model. Moreover, SVM is more accurate and extendable. Also Our results indicate that hybrid SVM model not only is more accurate, but also it has greater ability to be extended than hybrid Neural Network model.
