این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
دانش حسابداری، جلد ۳، شماره ۱۰، صفحات ۵۱-۷۰
عنوان فارسی به کارگیری شبکه‌های عصبی در پیش‌بینی سودآوری شرکتها (شرکتهای عضو بورس اوراق بهادار تهران)
چکیده فارسی مقاله این پژوهش در مورد دستیابی به پیش‌بینی سودآوری آینده (شاخصی از عملکرد آینده) شرکت‌های پذیرفته شده در بورس اوراق بهادار تهران با کاربست شبکه‌های عصبی مصنوعی است. نمونه‌های مورد استفاده ما در این پژوهش 90 شرکت از مجموعه مورد اشاره فوق در بین سال‌های 1380 تا 1386 (720 شرکت - سال) می‌باشد و با توجه به چارچوب مقاله این تعداد به 630 شرکت - سال کاهش یافت. این شرکتها به دو مجموعه نمونه آموزشی شامل 540 شرکت – سال ابتدایی (شرکت – سالهای 80 تا 85) و برای ارزیابی اعتبار الگوی آموزش دیده، نمونه آزمایشی متشکل از 90 شرکت – سال انتهایی (شرکت – سال 86)، تفکیک شدند. برای انجام پیش‌بینی سودآوری آینده شرکتها در ابتدا نیازمند تعیین متغیرهای پیش‌بینی کننده‌ای بود که برای این منظور از متغیرهایی که طی پژوهش‌های پیشین برای پیش‌بینی موفقیت یا عدم موفقیت شرکتها به کار رفته بودند، استفاده شده است. در مرحله بعد با برگزاری آزمون‌های آماری مناسب متغیرهای معنادار در پیش بینی سودآوری آینده تعیین شد. در نهایت تعداد 9 متغیر با استفاده از تکنیک تحلیل گام به گام انتخاب شد. نتایج این مطالعه نشان داد که به کارگیری شبکه‌های عصبی و 9 متغیر انتخاب شده، 99 درصد الگوبرداری صحیح در پیش‌بینی سودآوری شرکتها توسط گروه آموزشی را به دست می‌دهد و کاربست این الگو در گروه آزمایشی، 86 درصد صحت پیش‌بینی‌ها در طبقات سودآور و زیان‌آور آینده را رقم می‌زند.
کلیدواژه‌های فارسی مقاله
عنوان انگلیسی Application of Neural Networks In Corporate’s Profitability Prediction
چکیده انگلیسی مقاله Abstract This study aims at profitability prediction of listed companies in Tehran Stocks Exchange (TSE), using Artificial Neural Network. The respected sample consists of 90 firms from 2002 to 2009 (720 firm/years). Attention to the framework of study reduced the number of 720 firm/years to 630 firm/years. These firms separated in two groups of learning sample (540 firm/years) and test sample (90 firm/years) to test generalization of the technique. To develop profitability prediction, first, we needed to determine predictor variables. Profitability prediction literature was reviewed and a complete list of financial ratios for successful prediction in the past studies was prepared. Then, we reduced the list from a theoretical point of view, and we used SDA technique to select final financial ratios. Finally, we took 9 financial ratios to develop profitability prediction. Using Artificial Neural Network (ANN) and applying 9 selected financial ratios, achieved 99% accuracy rate in the learning sample and 86% accuracy rate in the test sample for correct classification of the firms into profitability and nonprofitability groups one year before the real state.
کلیدواژه‌های انگلیسی مقاله
نویسندگان مقاله
نشانی اینترنتی http://jak.uk.ac.ir/article_444_78.html
فایل مقاله فایلی برای مقاله ذخیره نشده است
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات