پیشبینی سیاست تقسیم سود با استفاده از مدلهای شبکه عصبی تک متغیره و چند متغیره
محورهای موضوعی : دانش سرمایهگذاریمحسن حمیدیان 1 , محمدباقر محمدزاده مقدم 2 , سجاد نقدی 3 , جواد اسماعیلی 4
1 - عضو هیات علمی و استادیار دانشگاه آزاد واحد تهران جنوب
2 - عضو هیات علمی دانشگاه آزاد واحد تهران جنوب
3 - دانشجوی دکترا حسابداری دانشگاه شهید بهشتی
4 - کارشناس ارشد حسابداری دانشگاه شهید بهشتی (نویسنده مسئول)
کلید واژه: سیاست تقسیم سود, شبکه عصبی تک متغیره, شبکه عصبی چند متغیره,
چکیده مقاله :
پیش بینی سود از دیرباز موردتوجه پژوهشگران بوده است. علاوه بر این یکی از مهم ترین معیارهای تصمیم گیری برای سرمایه گذاران و اعتباردهندگان پیش بینی سیاست تقسیم سود شرکتها است. در این راستا، در پژوهش حاضر با آگاهی از موفقیت نسبی مدلهای خطی و رگرسیونی در رضایت پژوهشگران در پیشبینی برخی مسائل مالی نظیر سیاست تقسیم سود و با استفاده از مدلهای تک متغیره و چند متغیره شبکه عصبی، به پیشبینی سیاست تقسیم سود در 183 شرکت پذیرفتهشده بورس اوراق بهادار تهران طی سال های 1390 تا 1394 شامل 915 سال-شرکت پرداختهایم. متغیرهای مورداستفاده در این پژوهش بر اساس الگوی پژوهش مارش و مرتون (1987) انتخاب شده است. نتایج نشان میدهد استفاده از شبکه های عصبی چندمتغیره نسبت به مدل شبکه عصبی تک متغیره، در پیشبینی سیاست تقسیم سود، قدرت پیشبینی را افزایش میدهد؛ بنابراین بر اساس نتایج پژوهش پیشنهاد میشود سهامداران، سرمایهگذاران برای پیشبینی سیاست تقسیم سود شرکتهای پذیرفتهشده در بورس اوراق بهادار تهران از شبکههای عصبی مصنوعی چندمتغیری استفاده کنند.
The topic dividend policy is one of the most leading issues in modern corporate finance affecting the firm value. The results of linear methods and regression could not satisfy researchers in forecasting of financial issues such as dividend policy. In this paper, we present a comparative analysis of the forecasting accuracy of univariate and multivariate Artificial Neural Network using a sample of 183 companies listed in the Tehran Stock Exchange through for the years 2011_2015. This study shows that the application of the multivariate neural network model results in forecasts that are more accurate than Univariate neural network forecasting models. Our findings show that forecast of a multivariate ANN incorporating Marsh and Merton (1987) variables is more accurate than univariate ANNs. Therefore, based on the results of the study we suggest that shareholders, investors and other stakeholders use multivariate ANNs to predict dividend policy of companies listed in Tehran Stock Exchange.
