بررسی دقت مدل های پیش بینی ورشکستگی (مدل های آلتمن، شیراتا، اهلسون، زمیسکی، اسپرینگیت، سی ای اسکور، فولمر، ژنتیک فرج زاده، ژنتیک مک کی) در بورس اوراق بهادار تهران

چکیده:

یکی از روش های پیش بینی تداوم فعالیت شرکتها، استفاده از الگوهای پیش بینی بحران مالی است. در این راستا پژوهش حاضر به بررسی درجه کارآمدی مدل های آلتمن، شیراتا، اهلسون، زمیسکی، اسپرینگیت، سی ای اسکور، فولمر، ژنتیک فرج زاده و ژنتیک مک کی در واقعی بودن نتایج پیش بینی ومقایسه کارآمدی و نتایج پیش بینی مدلها با یکدیگر و همچنین تعدیل ضرایب و تعیین قدرت پیش بینی ورشکستگی آنها در شرکت های پذیرفته شده در بورس اوراق بهادار تهران می پردازد.
تحقیق حاضر مطالعه ای کاربردی است. در این تحقیق از روش استنتاج تحلیلی (استقرایی) و طرح تحقیق پس رویدادی (توصیفی- تحلیلی مبتنی بر تجارب گذشته) استفاده شد. نتایج حاصل از آزمون فرضیه اول نشان داد که الگوهای پیش بینی بحران مالی زمیسکی، اسپرینگیت، سی ای اسکور، ژنتیک فرج زاده و ژنتیک مک کی توانایی پیش بینی تداوم فعالیت شرکت های پذیرفته شده در بورس اوراق بها دار تهران را دارند. فرضیه دوم نیز مورد تایید قرار گرفت به این ترتیب که مدلهایی که با استفاده از تکنیک های هوش مصنوعی (الگوریتم ژنتیک) مدل سازی شده بودند، نسبت به مدلهایی که با استفاده از تکنیک های آماری مدل سازی شده بودند (مدل های کلاسیک) ، در پیش بینی ورشکستگی از قابلیت بیشتری بر خودار بودند.

زبان:
فارسی
در صفحه:
128
لینک کوتاه:
magiran.com/p806655 
دانلود و مطالعه متن این مقاله با یکی از روشهای زیر امکان پذیر است:
اشتراک شخصی
با عضویت و پرداخت آنلاین حق اشتراک یک‌ساله به مبلغ 1,390,000ريال می‌توانید 70 عنوان مطلب دانلود کنید!
اشتراک سازمانی
به کتابخانه دانشگاه یا محل کار خود پیشنهاد کنید تا اشتراک سازمانی این پایگاه را برای دسترسی نامحدود همه کاربران به متن مطالب تهیه نمایند!
توجه!
  • 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.
In order to view content subscription is required

Personal subscription
Subscribe magiran.com for 70 € euros via PayPal and download 70 articles during a year.
Organization subscription
Please contact us to subscribe your university or library for unlimited access!