جریان­های نقدی عملیاتی بر بدهی­های جاری

CFOCLR

جریان­های نقدی عملیاتی بر بدهی­های غیرجاری

CFONLR

جریان­های نقدی عملیاتی بر فروش خالص

CFOSR

جریان­های نقدی عملیاتی بر دارایی­ های جاری

CFOCAR

جریان نقدی عملیاتی به سود خالص

QOIR

وجه نقد بر مجموع دارایی­ ها

CTAR

جریان نقدی عملیاتی به حقوق صاحبان سهام
تصویر درباره بازار سهام (بورس اوراق بهادار)

CFOSER

۴-۳- داده ­های ورودی

جامعه آماری تحقیق شرکت­های سهامی پذیرفته­شده در بورس اوراق بهادار تهران است که از این جامعه ابتدا نمونه ­ای متشکل از دو گروه تحت عنوان شرکت­های مشمول ماده ۱۴۱ قانون تجارت و شرکت­های عدم مشمول ماده ۱۴۱ قانون تجارت انتخاب گردید. دوره زمانی تحقیق برای سال­های ۱۳۹۰ و ۱۳۹۱ انتخاب شده و بر اساس داده ­های سال­های ۱۳۷۹ تا ۱۳۹۱ ورشکستگی شرکت­ها برای سال­های ۱۳۹۰ تا ۱۳۹۱ پیش ­بینی شده است.
تمامی شرکت­های پذیرفته­شده در بورس اوراق بهادار تهران که دارای شرایط زیر بوده ­اند در نمونه انتخابی تحقیق قرار گرفته­اند:
۱ – نوع فعالیت آنها تولیدی باشد؛
۲ – حداقل در ۵ سال متوالی از سال ۱۳۷۹ تا ۱۳۹۱ سهام آنها مورد معامله قرار گرفته باشد؛ و
۳ – اطلاعات مورد نیاز در دسترس باشد.
از مجموع شرکت­های موجود، تعداد ۸۴ شرکت بعنوان ورشکسته و ۱۸۰ شرکت بعنوان غیر ورشکسته شناسایی شدند که از مجموعه این شرکت­ها تعداد ۲۰ شرکت در سال­های ۱۳۹۰ و ۱۳۹۱ ورشکست شده ­اند. از این رو از مجموعه شرکت­های سالم نیز تعداد ۲۰ شرکت هم گروه و تقریباً هم اندازه با شرکت­های ورشکسته انتخاب شد تا در مجموع تعداد ۴۰ شرکت به­عنوان داده ­های آزمون به شبکه عصبی داده شود. سایر شرکت­ها بعنوان داده ­های آموزش استفاده شدند.
اطلاعات مورد نیاز شرکت­های ورشکسته و غیرورشکسته از طریق بانک­های اطلاعاتی تدبیرپرداز و ره­آوردنوین و سایت رسمی بورس اوراق بهادار تهران گردآوری و تجزیه و تحلیل نهایی با بهره گرفتن از نرم افزار Matlab انجام شده است.

جهت دانلود متن کامل این پایان نامه به سایت abisho.ir مراجعه نمایید.

۵-۳- آماده ­سازی داده ­ها

داده ­های اولیه از بانک­های اطلاعاتی نرم­افزارهای تدبیرپرداز و ره­آوردنوین، شامل اطلاعات ترازنامه­ای، صورت سود و زیان و صورت جریان وجوه نقد مشتمل بر تمام شرکت­های بورسی از سال ۱۳۷۹تا ۱۳۹۱ که تعداد ۵۳۹ شرکت بود، دریافت شد. از آنجا که برخی از شرکت­های ورشکسته در سال­های بعد از لیست شرکت­ها حذف شده بودند و همچنین شرکت­هایی در بورس پذیرش­شده بودند که در لیست سال­های قبل نبودند از این رو ابتدا لیستی از کلیه شرکت­هایی که طی این سال­ها در فهرست شرکت­های بورسی بودند تهیه شد. سپس از مجموعه این شرکت­ها، شرکت­های گروه واسطه­های مالی (بانک، بیمه، لیزینگ) و شرکت­های سرمایه ­گذاری، به علت تفاوت صورت­های مالی این گروه شرکت­ها با شرکت­های تولیدی از فهرست شرکت­های مورد بررسی کنار گذاشته شدند. با توجه به اینکه برای پیش ­بینی ورشکستگی شرکت­ها از صورت­های مالی ۵ سال قبل از سال ورشکستگی استفاده شد، بنابراین شرکت­هایی که بعد از سال ۱۳۸۳ ورشکسته شدند مدنظر قرار گرفتند و شرکت­هایی که قبل از این سال ورشکسته شده ­بودند از لیست شرکت­ها حذف شدند که در نهایت ۲۴۱ شرکت برای بررسی باقی ماند. داده ­ها بر طبق تعریف عملیاتی از متغیرها جهت بدست آوردن نسبت­های مالی بر هم تقسیم شدند. در این مرحله مشاهده شد به علت کاستی­هایی در صورت­های مالی بعضی از نسبت­های مالی قابل محاسبه نبود که برای رفع این مشکلات با بهره گرفتن از سری زمانی هر یک از این نسبت­ها طی سال­های ۱۳۷۹ تا ۱۳۹۱، رگرسیون گرفته شد تا داده ­های خالی درون­یابی و تخمین­زده شوند. جهت بدست آوردن سری زمانی برای تک تک شرکت­ها به ازای هر یک از متغیرها از کدنویسی در زبان VBA و استفاده از تابع VLOOKUP در اکسل استفاده شد. برای مقابله با اثرات منفی داده ­های پرت، این داده ­ها نیز به وسیله برنامه­ای که در نرم افزار اکسل نوشته شد شناسایی و حذف شد و با بهره گرفتن از معادلات رگرسیون در مرحله قبل جایگزین شد. سپس مجدداً با بهره گرفتن از کدنویسی داده ­ها از حالت سری زمانی (صفحه شرکت- سال) به صفحات شرکت- متغیر برده شدند. در مرحله بعد کلیه داده ­ها با بهره گرفتن از فرمول زیر نرمال گردید.
همچنین به­عنوان خروجی به شرکت­های ورشکسته عدد یک و به شرکت­های غیرورشکسته عدد صفر نسبت داده شد.

۶-۳- طرح­ریزی شبکه عصبی مصنوعی

برای طراحی یک مدل شبکه عصبی به منظور حل مسأله­ای از نوع دسته­بندی، اصول و روش­های سیستماتیکی وجود ندارد. برخی روش­های ابتکاری مانند الگوریتم هرس، الگوریتم زمانی چند جمله­ای و تکنیک اطلاعات شبکه پیشنهاد شده است. از آنجایی که عوامل زیادی همچون لایه ­های پنهان تعداد نرون­های لایه ­های پنهان، نرمال کردن داده ­ها و الگوریتم یادگیری می­توانند عملکرد شبکه­ های عصبی را تحت تأثیر قرار دهند، بنابراین بهترین معماری شبکه با بهره گرفتن از تجربه و آزمایش و خطا بدست می­آید. به عبارت دیگر کار طراحی شبکه­ های عصبی بیشتر از آنکه علم باشد، هنر است.
در این تحقیق نیز با روش آزمون و خطا انواع شبکه عصبی با یک و دو لایه پنهان با تعداد نرون­های متفاوت اجرا شد و در نهایت شبکه عصبی MLP با الگوریتم یادگیری مارکوات – لونبرگ، با یک لایه پنهان که دارای ۴۰ نرون بود بهترین پیش ­بینی از ورشکستگی را نتیجه داد. در این شبکه در لایه پنهان از تابع فعالسازی تانژانت هیپرپولیک(tansig) ، و از تابع خطی (purelin) برای لایه خروجی استفاده شد.
به منظور قابلیت تعمیم نتایج شبکه عصبی، داده ­ها به ۳ قسمت داده ­های آزمایش (۷۰%)، داده ­های اعتبارسنجی (۱۵% ) و داده ­های آزمون (۱۵% )تقسیم شد.

۷-۳-روش شناسی پژوهش

برای انجام پژوهش­های از نوع شبکه­ های عصبی مصنوعی، ابتدا لازم است به سؤالات زیر پاسخ داده شود.
ساختار شبکه: کدام ‌یک از ساختارهای شبکه عصبی بهترین برآورد را دارند؟ شبکه عصبی با یک لایه میانی یا چند لایه میانی؟
اندازه شبکه: شبکه با چه اندازه­ای بهترین برآورد را نتیجه می­دهد؟ کوچک، متوسط یا بزرگ.
داده ­های ورودی: استفاده از کدام‌ گروه از نسبت‌های مالی، ورشکستگی شرکت­ها را با بیشترین درصد صحت پیش‌بینی می‌کند؟ نسبت‌های نقدی، نسبت‌های تعهدی یا ترکیب نسبت‌های نقدی و تعهدی.
برای پاسخ به سه سوال بالا شبکه عصبی با تعداد لایه‌ها، نرون‌ها، توابع فعال­سازی و الگوریتم­های آموزش مختلف با ۳ دسته ورودی اشاره شده در بالا، اجرا شد و نتایج زیر به‌دست آمد.
برای مقایسه نتایج نیاز به معیارهای مقایسه وجود دارد، با توجه به ساختار مسأله که در مورد پیش ­بینی می­باشد، معیار اصلی درصد پیش­بینی­های درست در قسمت آزمون است. به عبارت دیگر دسته‌ای از نسبت­های مالی بهتر است که بالاترین درصد پیش ­بینی درست را در مجموعه آزمون بدهد. اما این معیار به تنهایی نباید مورد قضاوت قرار گیرد و باید به معیارهای دیگری مانند میزان خطای نوع اول و خطای نوع دوم نیز توجه داشت. خطای نوع اول و نوع دوم به­ترتیب یعنی درصد ورشکستگی­هایی که به اشتباه عدم وشکستگی پیش ­بینی شده ­اند و درصد عدم ورشکستگی­هایی که به اشتباه ورشکستگی پیش ­بینی شده ­اند. همچنین به میانگین مربعات خطا باید توجه داشت. میانگین مربعات خطا معیاری است که میزان نزدیکی سیگنال­های خروجی شبکه به سیگنال هدف را نشان می­دهد و بیانگر میانگین مربعات تفاوت مقادیر واقعی خروجی شبکه با مقادر هدف می­باشد. خروجی شبکه عصبی مقدار صفر یا یک نمی ­باشد، بلکه مقادیری پیوسته است لذا از این رو مقادیر کمتر از ۵/۰ به صفر و مقادیر بیشتر از ۵/۰ به یک گرد شدند. با توجه به اینکه در هر بار اجرای شبکه عصبی ممکن است یکی از خوش­بینانه­ترین یا بدبینانه­ترین حالات رخ دهد، لذا لازم است شبکه به کرات مورد اجرا قرار گیرد و از یافته­ های حاصل از آن میانگین گرفته شود تا این مقدار با هدف نهایی (صفر و یک) مقایسه شود. از این رو، دراین پژوهش، هر شبکه بیست مرتبه اجرا و از نتایج حاصل میانگین­گیری شد.
جدول ذیل معیار مقایسه مدل­ها را نشان می­دهد.

حق انحصاری © 2021 مطالب علمی گلچین شده. کلیه حقوق محفو