ارزیابی مدل‌های درخت تصمیم در پیش‌بینی عملکرد مالی شرکت‌های بورس اوراق بهادار تهران

نوع مقاله : علمی - پژوهشی

نویسندگان

1 استادیار مدیریت صنعتی، دانشگاه علامه طباطبائی

2 ** دانشیار مدیریت و حسابداری، دانشگاه علامه طباطبائی

چکیده

     نسبت‌های مالی همواره یکی از منابع قوی در ارزیابی عملکرد مالی شرکت‌های بورس اوراق بهادار تهران است. یکی از روش­های پیش­بینی عملکرد استفاده از الگوریتم­های داده­کاوی است. در این پژوهش، چهار مدل درخت تصمیم به­منظور ارزیابی عملکرد، پیاده‌سازی و مدل‌ها با معیار‌های ارزیابی مقایسه شدند. بدین منظور نمونه‌ای متشکل 21 نسبت در 534 شرکت پذیرفته­شده در بورس اوراق بهادار تهران در فاصله بین سال‌های 1390 تا 1393 به­عنوان متغیرهای مستقل و دو نسبت بازده دارایی‌ها و بازده حقوق صاحبان سهام به­عنوان متغیرهای وابسته انتخاب شده است. نتایج تحقیق حاکی از آن است که بین دو متغیر بازده دارایی‌ها و بازده حقوق صاحبان سهام، بازده حقوق صاحبان سهام از لحاظ ارزیابی‌های به­دست­آمده از صحت بالاتری برخوردار است و در بین چهار درخت تصمیم سی فایو از بهترین شاخصه‌های ارزیابی برخوردار بود.

کلیدواژه‌ها

مراجع

  1. Azar, A., & Karimi, S. (2010). Neural Network Forecasts of Stock Return Using Accounting Ratios. Financial Research. 11(28), 3-20.
  2. Bahramifar, N., & M. J. Saei. (2006). The Prediction of financial and stock market performance using the financial statements data: the case of Tehran stock exchange. Journal of the accounting and auditing review .13(1), 45-70.
  3. Breiman, L., Friedman, J. H., Olshen, R. A., & Stone, C. J. (1984). Classification and regression trees. New York: Chapman & Hall/CRC.
  4. De Ville, B., & Neville, P. (2013). Decision Trees for Analytics Using SAS Enterprise Miner. SAS Institute.
  5. Delen, D., Kuzey, C., & Uyar, A. (2013). Measuring firm performance using financial ratios: A Decision tree approach. Expert System with Application, 40(10), 3970-3983.
  6. Doolatabadi, H. R., Hoseini, S. M., & Tahmasebi, R. (2013). Using decision tree model and logistic regression to predict companies financial bankruptcy in Tehran stock exchanges. International Journal of Emerging Research in Management &Technology, 2(9), 7-16.
  7. Foroghi, D., & Monadjemi, A. (2011). Applying decision tree to predict bankruptcy. In Computer Science and Automation Engineering (CSAE), International Conference on, 4, 165-169. IEEE.
  8. Godarzi, A. (2005). Analytical review of the relationship between financial ratios and stock returns of companies listed on the Tehran Stock Exchange, (master dissertation), Tehran, Islamic Azad University, Science and Research Branch.
  9. Gorunescu, F. (2011). Data Mining: Concepts, models and techniques, 12. Springer Science & Business Media.
  10. Hand, D. J., Mannila, H., & Smyth, P. (2001). Principles of data mining. MIT press.
  11. Hashemi, S.A., Hosseini, S.M., & Barandan, S. (2012). The comparison of incremental infromation content of cash and accrual ratios for financial performance evaluation of companies using data mining.Financial accounting research, 2(12). 63-81.
  12. Hejazi, R., Mohamadi, SH., Aslani, Z., & Aghajani, M. (2012). Earnings management prediction using neural networks and decision tree in TSE. Journal of the accounting and auditing review, 19(68), 31-46.
  13. Hosseini, M., & Rashidi, Z. (2013). Using decision tree model and logistic regression to predict companies financial bankruptcy in Tehran Stock Exchanges. Financial accounting research, 3(17), 105-130.
  14. Jooste, L. (2006). Cash flow ratios as a yardstick for evaluating financial performance in African businesses. Managerial Finance, 32(7), 569-576.
  15. Kadoya, S., Kuroko, T., & Namatame, T. (2008). Contrarian Investment Strategy with Data envelopment analysis Concept. European Journal of Operational Research. 189(1), 120-131.
  16. Karimi, T. & Sadeghi Moghadam, M. (2014). Rough Set and Grey Set Theory: principles, applications and software's. First edition. Tehran: Mehraban nashr.
  17. Karami, G. R., & Talaeei, L. (2013). Predictability of stock returns using financial ratios in the companies listed in Tehran Stock Exchange. International Research Journal of Applied and Basic Sciences, 4(12), 4261-4273.
  18. Koyuncugil, A. S., & Ozgulbas, N. (2012). Financial early warning system model and data mining application for risk detection. Expert Systems with Applications, 39(6), 6238-6253.
  19. Lewellen, J. (2004). Predicting returns with financial ratios. Journal of Financial Economics, 74(2), 209-235.
  20. Mahdavi, G., & Ghorbani, A. (2012). A comparative study of modern and traditional liquidity indicators in assessing the financial performance of companies listed in Tehran Stock Exchange. Financial accounting research, 4(11), 67-88.
  21. Mehrani, S., Mehrani, K., & Karami, GH. (2004). Using historical information of financial and non-financial firms to differentiate successful and unsuccessful, Journal of the accounting and auditing review, 11(38), 77-92.
  22. Miner, G., Nisbet, R. & Elder, J., (2009). Handbook of Statistical Analysis and Data Mining Applications. 1 ed. s.l.: Academic Press.
  23. Namazi, M., & Rostami, N. (2006). Examines the relationship between financial ratios and stock returns of companies listed on the Stock Exchange. Journal of the accounting and auditing review, 13(44), 44-105.
  24. Olson, D., & Mossman, C. (2003). Neural network forecasts of Canadian stock returns using accounting ratios. International Journal of Forecasting, 19(3), 453-465.
  25. Salehi, M., & Farokhi pilerudi, L. (2014). Using Neural Network Model and Decision Tree to Predict Earning Managment in Tehran Stock, Agricultural Economics. 8, 89-105.
  26. Yu, G., & Wenjuan, G. (2010). Decision tree method in financial analysis of listed logistics companies. International conference on intelligent computation technology and automation.
  27. Wang, H., Jiang, Y., & Wang, H. (2009). Stock return prediction based on Bagging-decision tree. In 2009 IEEE International Conference on Grey Systems and Intelligent Services: 1575-1580. IEEE.
  28. Zhong, N., Dong, J., & Ohsuga, S., (2001). Using Rough Sets with Heuristics for Feature Selection. Journal of Intelligent Information Systems, 16(3): 199–214.

فایل ها

هم رسانی

ارجاع به این مقاله

آمار