مقایسه کارایی تکنیکهای تجزیهوتحلیل درونی و مقایسهای داده در الگوریتم ژنتیک غیرخطی جهت پیشبینی سودآوری شرکتها
محورهای موضوعی : حسابداری مالی و حسابرسی
زهرا پورزمانی
1
(استادیار، گروه آموزشی حسابداری، واحد تهران مرکزی، دانشگاه آزاد اسلامی، تهران، ایران)
کلید واژه: پیشبینی سودآوری, الگوریتم ژنتیک غیرخطی, تجزیه و تحلیل درونی دادهها, تجزیه و تحلیل مقایسهای دادهها,
چکیده مقاله :
هرچند دانستهها در مورد روش تصمیمگیری استفادهکنندگان از صورتهای مالی اندک است. اما بهطور قطع میتوان گفت بخشی از تصمیمگیری، به پیشبینی توانایی سودآوری آینده شرکتها مربوط میشود. همچنین سودآوری بهعنوان مبنایی برای ارزیـابی کـارایی مـدیران شرکتها مورداستفاده قرار میگیرد. این پژوهش، باهدف معرفی الگـوریتم مـناسب جهت پیشبینی سودآوری به تصمیمگیرندگان، با استفاده از 23 نسبت مالی برتر، به عنوان متغیر مستقل، به مقایسه توانمندی تکنیکهای تجزیه و تحلیل درونی و مقایسهای داده در الگوریتم ژنتیک غیرخطی در پیشبینی سودآوری آینده شرکتهای پذیرفتهشده در بـورس اوراق بهـادار تهران طی سالهای 1371 تا 1391 پرداخته که طبق نتایج بهدستآمده، نتایج نشان میدهد مدل الگوریتم ژنتیک غیرخطی مبتنی بر تجزیه و تحلیل درو نی دادهها با دقت 90.04% دارای توانمندی بیشتری در پیشبینی سودآوری نسبت به مدل الگوریتم ژنتیک غیرخطی مبتنی بر تجزیه و تحلیل مقایسهای دادهها با دقت 72.85% میباشد.
Although knowledge about how users of financial statements make decisions is limited, it certainly can be said that a part of decision-making relates to predictability of future profitability. Also, profitability is used as a basis for assessing the efficiency of corporate managers. This study, with the aim of introducing an appropriate algorithm for predicting the profitability to the decision makers, by the top 24 financial ratios as independent variables, compares the abilities of internal and comparative data analysis in Non-Linear Genetic Algorithm in anticipating the future profitability of companies listed in Tehran Stock Exchange during the years 2002 to 2012. Results of tests indicated that prediction accuracy of internal data analysis in Non-Linear Genetic Algorithm (90.04%) was greater than that of comparative data analysis in Non-Linear Genetic Algorithm (72.85%).