طراحی مدلی جهت پیش‌بینی بحران مالی بازار سرمایه ایران با استفاده از مدل‌های وب هوشمند

الموضوعات :

مریم روحی سرا ¹ (گروه حسابداری ، دانشکده علوم انسانی، واحد خمین، دانشگاه آزاد اسلامی، خمین، ایران)
مسعود طاهری نیا ² (گروه حسابداری، دانشکده مدیریت و اقتصاد، دانشگاه لرستان، خرم اباد، ایران)
حسن زلقی ³ (گروه حسابداری، دانشکده علوم اقتصادی و اجتماعی، دانشگاه بوعلی سینا، همدان، ایران)
احمد سرلک ⁴ (گروه اقتصاد، واحد اراک ، دانشگاه آزاد اسلامی ، اراک، ایران)

تاريخ الإرسال : 25 السبت , جمادى الأولى, 1445 تاريخ التأكيد : 19 الأربعاء , رجب, 1445 تاريخ الإصدار : 10 الأربعاء , رمضان, 1445

الکلمات المفتاحية: M41, G33, وب هوشمند, واژه‌های کلیدی: بحران مالی, بازار سرمایه و متغیرهای کلان اقتصادی. طبقه بندی JEL : G17,

ملخص المقالة :

چکیده با توجه به اینکه مدیران به دلیل تصمیم‌گیری و ذینفعان بخصوص سرمایه‌گذاران تمایل دارند تا حدودی بروز یا عدم بروز بحران مالی را در سازمان تحت مدیریت خود پیش‌بینی نمایند، لذا هدف پژوهش حاضر این است که مدلی برای پیش‌بینی این بحران ارائه کند. برای نیل به هدف پژوهش، از مدل‌های وب هوشمند شامل الگوریتم‌های گرگ خاکستری، مورچگان، تجمع ذرات و ژنتیک استفاده شد. برای این منظور از داده های حاصل از پرسشنامه تکمیل شده توسط 20 خبره در بخش کیفی و داده های حاصل از 173 شرکت از سال 1388 تا 1398 پذیرفته شده در ﺑﻮرس اوراق بهادار تهران استفاده شد. با استفاده از مرور مبانی نظری 38 شاخص از طبقه های شاخص های کلان اقتصادی، عوامل صنعت، ویژگی شرکت ها، وقایع سیاسی، فرهنگی، رفتاری شناسایی شد. سپس، با استفاده از نظرخواهی از خبرگان و تحلیل میک مک تعداد 25 شاخص که می توانند تأثیر بیشتری بر بحران مالی داشته باشند، انتخاب شد. در ادامه با استفاده از بررسی صورت های مالی 173 شرکت پذیرفته شده در ﺑﻮرس اوراق بهادار تهران و استفاده از نرم افزار رهاورد نوین داده های 25 شاخص انتخاب شده جمع آوری و تأثیر آن بر بحران مالی با بکارگیری الگوریتم های گرگ خاکستری، مورچگان، تجمع ذرات و ژنتیک بررسی شد تا الگوی نهایی پژوهش مشخص شود. یافته‌ها نشان داد که می توان با استفاده از مدل‌های وب هوشمند، بحران مالی بازار سرمایه ایران را پیش‌بینی نمود و از نظر کارایی، روش بهینه‌سازی مورچگان بیشترین کارایی و روش گرگ خاکستری کمترین کارایی را در مسئله پیش بینی بحران مالی دارد.

المصادر:

• 
  

  منابع

  
  اسماعیل تبار، مینا، پورجم، فاطمه، رضایی، فایزه، جوادیان، لیلا. (1395). شیوه های حسابداری مدیریت قبل و در طول بحران های اقتصادی،اولین همایش ملی علوم انسانی با رویکرد مدیریت و اقتصاد مقاومتی، ساری.


• اصغری، زهرا، اصفهانی پور، اکبر. (1398). ارائه مدل پیش بینی ورشکستگی شرکت­ها با ترکیب الگوریتم بهینه سازی ازدحام ذرات و ماشین بردار پشتیبان.


• امامی، کریم و امام وردی، قدرت‌اله. (1388). بررسی امکان پیش بینی شاخص قیمت سهام در بازار سرمایه ایران و مقایسه توان پیش بینی مدل های خطی و غیرخطی، اقتصاد مالی (اقتصاد مالی و توسعه)، 2(7)، 45-75.


• امینیان، ابوالفضل، رسولی دولت آباد، صابر. (1397). بررسی توانایی مدلهای پیش بینی ورشکستگی آلتمن و اسپرینگیت و زیمسکی و گراور در بورس اوراق بهادار تهران،پنجمین کنفرانس ملی پژوهشهای کاربردی در مدیریت و حسابداری، تهران.


• بیات، علی؛ احمدی، سید علیرضا و محمدی، مجید. (1397). پیش‌بینی ورشکستگی شرکت‌های پذیرفته شده در بورس اوراق بهادار تهران با استفاده از الگوریتم کرم شب تاب، مهندسی مالی و مدیریت اوراق بهادار، 9(37)، 234-262.


• بیانی، عذرا، محمدی، تیمور. (1398). عوامل مؤثر بر بحران‌های مالی: رویکرد میانگین گیری بیزی. فصلنامه علمی پژوهشی اقتصاد مقداری، 16(2)، 145-180.


• ثقفی، علی؛ فرهادی، روح اله؛ تقوی فرد، محمد تقی و برزیده، فرخ. (1394). پیش‌بینی رفتار معاملاتی سرمایه‌گذاران: شواهدی از تئوری چشم‌انداز، دانش سرمایه‌گذاری، 4(15)، 19-32.


• حاجی هاشم، مسعود، امیرحسینی، زهرا. (1398). پیش بینی ورشکستگی و راهبری شرکت ها: دیدگاه نسبت های مالی. دانش حسابداری و حسابرسی مدیریت، 8(30)، 201-220.


• خالوزاده، حمید و خاکی صدیق، علی. (1382). ارزیابی روشهای پیش بینی پذیری قیمت سهام و تعیین میزان قابلیت پیش بینی در بازار بورس تهران، مدرس علوم انسانی، 7(30)، 61-88.


• خواجوی، شکرالله، قدیریان آرانی، محمدحسین. (1397). نقش سرمایه فکری در پیش‌بینی بحران مالی. پیشرفت‌های حسابداری، 10(2)، 137-165.


• ذوالفقاری، مهدی، واعظ، سید علی، خدامرادی، محمد. (1400). ‌ارائه الگوی تأثیر ارتباطات سیاسی و حاکمیت شرکتی بر عملکرد بانک‌ها در شرایط بروز بحران‌های مالی، فصلنامه اقتصاد مالی، 15(55)، 216-191.


• طالب نیا، قدرت الله، قیطانچیان، سروناز، (1397). بکارگیری مدل لاجیت در پیش بینی بحران مالی (ورشکستگی): مورد کاوی شرکتهای پذیرفته شده در بورس اوراق بهادار تهران.


• طالقانی، فاطمه، شکیبایی، علیرضا، صالحی، مهدی، جلایی، سید عبدالمجید، نجاتی، مهدی. (1398). بررسی انتقال بحران‌ در شبکه مالی جهانی به ایران. فصلنامه علمی پژوهشی اقتصاد مقداری، 17(1)، 155-183.


• طاهری بازخانه، صالح، احسانی، محمد علی، گیلک حکیم آبادی، محمد تقی، فرزین وش، اسد الله. (1398). مقاله پژوهشی: طراحی یک سامانه ی هشداردهی زودهنگام بحران مالی در ایران با معرفی شاخصی جدید. سیاست گذاری پیشرفت اقتصادی، 7(1)، 151-179.


• عبدی سیّدکلایی محمد؛ طاهری بازخانه، صالح و پهلوان یلی، نسرین. (1398). بررسی ناپایداری منحنی فیلیپس در اقتصاد ایران با استفاده از رهیافت حالت- فضا، اقتصاد و الگوسازی، 10(4)، 57-81.


• غضنفری، مهدی، رحیمی کیا، اقبال، عسکری، علی. (1397). پیش بینی ورشکستگی شرکت ها مبتنی بر سیستم های هوشمند ترکیبی. پژوهش­های حسابداری مالی و حسابرسی ، 10(37)، 159-193.


• غضنفری، مهدی، رحیمی کیا، اقبال، عسکری، علی. (1397). پیش‌بینی ورشکستگی شرکت‌ها مبتنی بر سیستم‌های هوشمند ترکیبی. پژوهش های حسابداری مالی و حسابرسی، 10(37)، 159-194.


• فخرحسینی، سید فخرالدین، آقایی میبدی، امید. (1398). پیش‌بینی و شناسایی شرکت‎های با احتمال ورشکستگی بالا در بورس تهران (تحلیل متفاوتی از مدل‎ها). تصمیم گیری و تحقیق در عملیات، 4(2)، 100-111.


• قلی زاده سالطه، توحید، اقبال‌نیا، محمد، آقابابائی، محمد ابراهیم. (1398). پیش‌بینی ورشکستگی با مدل یادگیری ماشین سریع مبتنی بر کرنلِ بهینه‌شده با الگوریتم گرگ خاکستری. تحقیقات مالی، 21(2)، 187-212.


• محمدی پور، علی، سلمانپور زنوز، علی، فخرحسینی، سید فخرالدین. (1400). بررسی تاثیر شوکهای قیمتی انرژی بر اقتصاد نفت محور ایران در قالب متد مدلسازی نئوکینزی و استفاده از معادلات تعادل عمومی پویای تصادفی، فصلنامه اقتصاد مالی، 15(57)، 129-164.


• مدرکیان، حسن؛ موحدی، محمد مهدی؛ طبیبی راد، وحید و طبیبی راد، محمد. (1391). پیش بینی نسبت های مالی با استفاده از شبکه‌های عصبی مصنوعی در شرکت های پذیرفته شده در بورس اوراق بهادار تهران. پژوهشگر (مدیریت)، 9(ویژه‌نامه)، 65-75.


• ناظمی اردکانی، مهدی؛ زارع مهرجردی، وحید و محمدی ندوشن، علیرضا. (1397). طراحی و تبیین الگوی پیش بینی ورشکستگی شرکت‌ها بر حسب صنایع منتخب با استفاده از الگوی درخت تصمیم، مدیریت دارایی و تامین مالی، 6(21)، 121-138.


• نبوی چاشمی، سیدعلی؛ احمدی، موسی و مهدوی فرح آبادی، صادق. (1389). یش بینی ورشکستگی شرکتها با استفاده از مدل لاجیت. مهندسی مالی و مدیریت اوراق بهادار، 1(5)، 55-79.


• نجفی استمال، سمیرا، حسینی، سید شمس الدین، معمارنژاد، عباس، غفاری، فرهاد. (1400). بررسی اثر مکانیسم انتقال بحران مالی(با تاکید بر بحران مالی سال2008 و قیمت نفت) و علیت مارکوف سوئیچینگ بر شاخص های منتخب بورس اوراق بهادار ایران، فصلنامه اقتصاد مالی، 15(56)، 88-59.


• نیکخو، حافظ، رحمانی، تیمور، خلیلی، فرزانه. (1401). نااطمینانی اقتصادکلان و تصمیمات سرمایه‌گذاری بانک‌ها. اقتصاد مالی، 16(58)، 1-22.

• Acosta-González, E., & Fernández-Rodríguez, F. (2014). Forecasting financial failure of firms via genetic algorithms. Computational Economics, 43(2), 133-157.


• Adya, M., & Collopy, F. (1998). How effective are neural networks at forecasting and prediction? A review and evaluation. Journal of forecasting, 17(5-6), 481-495.


• Akbar, A., Akbar, M., Tang, W., & Qureshi, M. A. (2019). Is bankruptcy risk tied to corporate life-cycle? Evidence from Pakistan. Sustainability, 11(3), 678.


• Ala'raj, M., & Abbod, M. F. (2016). A new hybrid ensemble credit scoring model based on classifiers consensus system approach. Expert Systems with Applications, 64, 36-55.


• Almamy, J., Aston, J., & Ngwa, L. N. (2016). An evaluation of Altman's Z-score using cash flow ratio to predict corporate failure amid the recent financial crisis: Evidence from the UK. Journal of Corporate Finance, 36, 278-285.


• Ari, A., & Cergibozan, R. (2018). Currency crises in Turkey: An empirical assessment. Research in International Business and Finance, 46, 281-293.


• Beaver, W. H. (1968). Market prices, financial ratios, and the prediction of failure. Journal of accounting research, 179-192.


• Bernstein, S., Lerner, J., & Mezzanotti, F. (2019). Private equity and financial fragility during the crisis. The Review of Financial Studies, 32(4), 1309-1373.


• Cai, C., Zhang, C., Cai, L., Wu, G., Jiang, L., Xu, Z., ... & Chen, L. (2009). Origins of Palaeozoic oils in the Tarim Basin: evidence from sulfur isotopes and biomarkers. Chemical Geology, 268(3-4), 197-210.


• Campello, M., Graham, J. R., & Harvey, C. R. (2010). The real effects of financial constraints: Evidence from a financial crisis. Journal of financial Economics, 97(3), 470-487.


• Chen, C. L., Weng, P. Y., & Lin, Y. C. (2020). Global financial crisis, institutional ownership, and the earnings informativeness of income smoothing. Journal of Accounting, Auditing & Finance, 35(1), 53-78.


• Coudert, V., & Gex, M. (2008). Does risk aversion drive financial crises? Testing the predictive power of empirical indicators. Journal of Empirical Finance, 15(2), 167-184.


• Dengleri, K., Lois, P., Thrassou, A., & Repousis, S. (2019). Industry application of assessment and forecasting theories through comparative financial analysis: The case of Greek pharmaceutical industries under crisis conditions. In The synergy of business theory and practice (pp. 175-198). Palgrave Macmillan, Cham.


• Devos, E., Ong, S. E., Spieler, A. C., & Tsang, D. (2013). REIT institutional ownership dynamics and the financial crisis. The journal of real estate finance and economics, 47(2), 266-288.


• Evenett, S. J. (2019). Protectionism, state discrimination, and international business since the onset of the Global Financial Crisis. Journal of International Business Policy, 2(1), 9-36.


• Fu, B. (2019). Bubbles and crises: Replicating the Anundsen et al. (2016) results. Journal of Applied Econometrics, 34(5), 822-826.


• Fu, J. & Q. Zhou, Y. Liu, X. Wu, Predicting stock market crises using daily stock market valuation and investor sentiment indicators. (2019). North American Journal of Economics & Finance, doi: https:// doi.org/10.1016/j.najef.2019.01.002


• Guyon, I., Gunn, S., Nikravesh, M., & Zadeh, L. A. (Eds.). (2008). Feature extraction: foundations and sapplications (Vol. 207). Springer.


• Hosaka, T. (2019). Bankruptcy prediction using imaged financial ratios and convolutional neural networks. Expert systems with applications, 117, 287-299.


• Huber, K. (2018). Disentangling the effects of a banking crisis: Evidence from German firms and counties. American Economic Review, 108(3), 868-98.


• Jensen, E. (2005). Teaching with the brain in mind. ASCD.


• Kumar, P. R., & Ravi, V. (2007). Bankruptcy prediction in banks and firms via statistical and intelligent techniques–A review. European journal of operational research, 180(1), 1-28.


• Li, C., & Li, H. (2011). One dependence value difference metric. Knowledge-Based Systems, 24, 589–594.


• Li, Z., Crook, J., Andreeva, G., & Tang, Y. (2021). Predicting the risk of financial distress using corporate governance measures. Pacific-Basin Finance Journal, 68, 101334.


• Lin, F., Liang, D., & Chen, E. (2011). Financial ratio selection for business crisis prediction. Expert systems with applications, 38(12), 15094-15102.


• Ma, Y. L., & Ren, Y. (2021). Insurer risk and performance before, during, and after the 2008 financial crisis: The role of monitoring institutional ownership. Journal of Risk and Insurance, 88(2), 351-380.


• Meier, S., Gonzalez, M. R., & Kunze, F. (2021). The global financial crisis, the EMU sovereign debt crisis and international financial regulation: Lessons from a systematic literature review. International Review of Law and Economics, 65, 105945.


• Mishkin, F. S. (1992). Anatomy of a financial crisis. Journal of evolutionary Economics, 2(2), 115-130.


• Montgomery, H. (2011). The financial crisis: lessons for Europe from psychology. Swedish Institute for European Policy Studies (SIEPS).


• Mselmi, N., Hamza, T., Lahiani, A., & Shahbaz, M. (2019). Pricing corporate financial distress: Empirical evidence from the French stock market. Journal of International Money and Finance, 96, 13-27.


• Niemira, M. P., & Saaty, T. L. (2004). An analytic network process model for financial-crisis forecasting. International journal of forecasting, 20(4), 573-587.


• Papaioannou, M. M. G., Park, M. J., Pihlman, J., & Van der Hoorn, H. (2013). Procyclical behavior of institutional investors during the recent financial crisis: Causes, impacts, and challenges. International Monetary Fund.


• Popkova, E. G., & Parakhina, V. N. (2018, April). Managing the global financial system on the basis of artificial intelligence: possibilities and limitations. In International Conference Project “The future of the Global Financial System: Downfall of Harmony” (pp. 939-946). Springer, Cham.


• Sankhwar, S., Gupta, D., Ramya, K. C., Sheeba Rani, S., Shankar, K., & Lakshmanaprabu, S. K. (2020). Improved grey wolf optimization-based feature subset selection with fuzzy neural classifier for financial crisis prediction. Soft Computing, 24(1), 101-110.


• Shenai, N. (2018). Social Finance: Shadow Banking During the Global Financial Crisis. Springer.


• Szyszka, A. (2010). Behavioral anatomy of the financial crisis. Journal of Centrum Cathedra, 3(2), 121-135.


• Uthayakumar J, Noura Metawa, K. Shankar, S.K. Lakshmanaprabu. (2020). Financial crisis prediction model using ant colony optimization. International Journal of Information Management 50 (2020) 538–556.


• Wang, G., Ma, J., & Yang, S. (2017). An improved boosting based on feature selection for corporate bankruptcy prediction. Expert Systems With Applications, 41, 2353–2361. https://doi.org/10.1016/j.eswa.2013.09.033.


• Yap, B. C. F., Munuswamy, S., & Mohamed, Z. (2012). Evaluating company failure in Malaysia using financial ratios and logistic regression. Asian Journal of Finance and Accounting, 4(1), 330-344.


• Zhang, G., Patuwo, B. E., & Hu, M. Y. (1998). Forecasting with artificial neural networks: The state of the art. International journal of forecasting, 14(1), 35-62.