پیش بینی سودآوری با رویکرد شبکه عصبی و مقایسه آن با ماشین بردار پشتیبان (svm) و درخت تصمیم C5
سود به عنوان یکی از مهم ترین شاخص های اندازه گیری عملکرد واحد اقتصادی، ازمباحث مهم حسابداری است که باتوجه به محیط رقابتی شدید و اهمیت تصمیم گیری سریع و مناسب مدیران جایگاه والایی نیز پیداکرده است. بنابراین تجزیه وتحلیل شاخص مزبور، عوامل موثربرآن و پیش بینی سودآوری بسیارحایزاهمیت است. درهمین راستا، در پژوهش حاضر تعداد 124 شرکت برای بازه زمانی1387 تا1395 با مبناقراردادن اطلاعات بنیادی صورت های مالی شرکت ها؛ اثر34 متغیر بردقت پیش بینی سودآوری شرکت های پذیرفته شده در بورس اوراق بهادار تهران مورد بررسی قرارگرفت. از تکنیک درخت تصمیم c5 جهت تعیین متغیرهای معنادار در پیش بینی سودآوری به علت سهولت بالا در فهم مدل، استفاده شد. در نهایت پس از تعیین متغیرهای موثر و مشخص شدن 8 متغیر، دقت پیش بینی ها بااستفاده ازتکنیک شبکه عصبی، درخت تصمیم C5 و ماشین بردار پشتیبان (SVM) اندازه گیری ونتایج حاصل از این3 الگوریتم بایکدیگر مقایسه شد. نتایج مقایسه بیانگر آن بود که بهترین مدل پیش بینی سودآوری شرکت ها با درنظر گرفتن متغیرهای معنادار، الگوریتم درخت تصمیم C5 بادقت93.54% است و پس از آن مدل شبکه عصبی بادقتی برابر81.45% نسبت به ماشین بردارپشتیبان (69.35%) دقیق تر و دارای سطح خطای کمتری است.
- حق عضویت دریافتی صرف حمایت از نشریات عضو و نگهداری، تکمیل و توسعه مگیران میشود.
- پرداخت حق اشتراک و دانلود مقالات اجازه بازنشر آن در سایر رسانههای چاپی و دیجیتال را به کاربر نمیدهد.