رتبه بندی میزان تاثیر اقلام کلیدی ترازنامه ای و نسبت‌های سودآوری در انتخاب پرتفوی بهینه (با استفاده از تکنیک های داده کاوی)

پژوهش های حسابداری مالی و حسابرسی

مقاله 5، دوره 7، شماره 28، بهمن 1394، صفحه 75-86   

نوع مقاله: مقاله علمی پژوهشی

نویسندگان

امیررضا کیقبادی^{* 1}؛ سمیه فتحی²؛ سمیرا سیف³

¹استادیار گروه حسابداری دانشگاه آزاد اسلامی واحد تهران مرکزی

²کارشناس ارشد حسابداری مدرس دانشگاه پیام نور واحد بروجرد

³کارشناسی ارشد حسابداری دستیار علمی دانشگاه پیام نور نهاوند

چکیده

انتخاب پرتفوی بهینه، یکی از موضوعات مهم در ادبیات مالی محسوب می‌شود که هدف‌های حداکثر کردن بازده آتی و حداقل نمودن ریسک سرمایه‌گذاری را به همراه دارد.اساساً سرمایه­گذاران برای انتخاب پرتفوی بهینه وکارا شرکت هایی را انتخاب می کنند که جزء شرکت­های برتر بورس باشند و همچنین شرکت­های که در رده های بالای این رتبه بندی قراردارند. رتبه‌بندی می‌تواند برحسب معیارهای مختلفی انجام گیرد. یکی از سودمندترین رتبه‌بندی ها،می تواند استفاده از نسبت­های سودآوری واقلام کلیدی ترازنامه ای ­باشد.  دراین تحقیق نسبت­های سودآوری و اقلام کلیدی ترازنامه­ای 150شرکت برتر بورس طی 3 سال استخراج شده است و درهرسال50 شرکت با توجه نسبت های مالی بالاتر به دو دسته موفق و برتر تقسیم بندی شده­اند. سپس با استفاده از 4 مدل مبتنی بر تکنیک داده­کاوی و همچنین توان یادگیری هریک از مدل ها به بررسی ترتیب اهمیت این اقلام و نسبت ها جهت انتخاب پرتفوی بهینه ­پرداخته شده است. نتایج حاکی از آن است که اقلام کلیدی ترازنامه ای و نسبت های سودآوری هر دو برای ارائه پرتفوی حائز اهمیت بوده اما ارجحیت تاثیر گذاری آنان در هر مدل ترتیبی متفاوت است ؛ اما برخی از این اقلام مانند جمع کل دارایی‌ها، درصد سود به درآمد ، درصد سود عملیاتی به درآمد و نسبت قیمت به سود هر سهم (P/E) در تمام مدل ها به عنوان یک فصل مشترک از ارجحیت بالاتری برخوردارند که می­تواند به عنوان مبنایی مناسب مورد توجه سرمایه گذاران قرار گیرد

کلیدواژه‌ها

پرتفوی؛ اقلام کلیدی ترازنامه ای؛ معیارهای سودآوری؛ داده کاوی

اصل مقاله

 

رتبه بندی میزان تاثیر اقلام کلیدی ترازنامه ای و نسبت­های سودآوری در انتخاب پرتفوی بهینه (با استفاده از تکنیک های داده کاوی)

 

 

امیررضا کیقبادی

تاریخ دریافت: 18/07/1394            تاریخ پذیرش: 14/09/1394

[1]

سمیه فتحی[2]

سمیرا سیف[3]

چکیده

انتخاب پرتفوی بهینه، یکی از موضوعات مهم در ادبیات مالی محسوب می‌شود که هدف‌های حداکثر کردن بازده آتی و حداقل نمودن ریسک سرمایه‌گذاری را به همراه دارد.اساساً سرمایه­گذاران برای انتخاب پرتفوی بهینه وکارا شرکت هایی را انتخاب می کنند که جزء شرکت­های برتر بورس باشند و همچنین شرکت­های که در رده های بالای این رتبه بندی قراردارند. رتبه‌بندی می‌تواند برحسب معیارهای مختلفی انجام گیرد. یکی از سودمندترین رتبه‌بندی ها،می تواند استفاده از نسبت­های سودآوری واقلام کلیدی ترازنامه ای ­باشد.  دراین تحقیق نسبت­های سودآوری و اقلام کلیدی ترازنامه­ای 150شرکت برتر بورس طی 3 سال استخراج شده است و درهرسال50 شرکت با توجه نسبت های مالی بالاتر به دو دسته موفق و برتر تقسیم بندی شده­اند. سپس با استفاده از 4 مدل مبتنی بر تکنیک داده­کاوی و همچنین توان یادگیری هریک از مدل ها به بررسی ترتیب اهمیت این اقلام و نسبت ها جهت انتخاب پرتفوی بهینه ­پرداخته شده است. نتایج حاکی از آن است که اقلام کلیدی ترازنامه ای و نسبت های سودآوری هر دو برای ارائه پرتفوی حائز اهمیت بوده اما ارجحیت تاثیر گذاری آنان در هر مدل ترتیبی متفاوت است ؛ اما برخی از این اقلام مانند جمع کل دارایی‌ها، درصد سود به درآمد ، درصد سود عملیاتی به درآمد و نسبت قیمت به سود هر سهم (P/E) در تمام مدل ها به عنوان یک فصل مشترک از ارجحیت بالاتری برخوردارند که می­تواند به عنوان مبنایی مناسب مورد توجه سرمایه گذاران قرار گیرد.

                                              

واژه‌های کلیدی: پرتفوی ، اقلام کلیدی ترازنامه ای، معیارهای سودآوری، داده کاوی.

1- مقدمه

برای انتخاب اوراق بهادار، ضروری است که فرآیند تصمیم‌گیری در اوراق بهادار شامل تجزیه و تحلیل اوراق بهادار و مدیریت پرتفوی طی گردد.اساسا سرمایه گذاران برای انتخاب پرتفوی بهینه وکارا شرکتهای راانتخاب می کنند که جزء شرکتهای برتر بورس باشدوهمچنین شرکت های که دررده های بالای این رتبه بندی قراردارند.

برای انتخاب اوراق بهادار، ضروری است که فرآیند تصمیم‌گیری در اوراق بهادار شامل تجزیه و تحلیل اوراق بهادار و مدیریت پرتفوی طی گردد.انتخاب ابزار و تکنیک هایی که بتواند سبد سهام مناسب را تشکیل دهد، آرزوی دنیای سرمایه گذاری است. در بازار سرمایه، روشها و ابزارهای مختلف مورد تجزیه و تحلیل قرار می گیرند. افزایش پیچیدگی روزافزون سیستم‌های اطلاعاتی، حجم عظیم داده‌های موردنیاز و همچنین پیچیدگی مبادلات و معاملات تجاری شرکت‌ها باعث‌شده تا مدیران مالی و حسابرسان قادر به استفاده از روش‌های سنتی به منظور تصمیم‌گیری و اظهارنظر مناسب نسبت به اطلاعات ارائه‌شده نباشند.

یکی از فناوری‌هایی که در عصر اطلاعات می‌تواند استفاده کنندگان از اطلاعات مالی، اعتباردهندگان، تحلیل‌گران مالی و سایر ذینفعان را در امر تصمیم‌گیری یاری رساند، به‌کارگیری روش های داده‌کاوی است. دانش داده‌کاوی یکی از ده دانش در حال توسعه‌ای است که دهه آینده را با انقلاب تکنولوژیک مواجه خواهد ساخت به گونه‌ای که دیگر در دنیای توسعه یافته امروزی، مکان و موضوعی بدون بهره از دانش داده‌کاوی یافت نخواهد شد. دراین مقاله نظربراین است که بااستفاده ازمدل های منتج از داده کاوی و اقلام کلیدی ترازنامه ای و نسبت های سودآوری پرتفوی کارا وبهینه بتوان تشکیل داد.

 

2- پیشینه تحقیق

لوراشی[i] (1995) و همکاران برای انتخاب سبد سهام بدون محدودیت، با استفاده از مدلهای جزیره‌ای (مدلهای مبتنی بر الگوریتم ژنتیک برای استفاده در جوامع جدا از یکدیگر که در آنها، داده‌های برازنده‌تر در میان جوامع کوچ می‌نمایند) اقدام به حل مدل سبد سهام بدون محدودیت نمودند.

در مطالعه جنیفر پاورز[ii] و همکاران (2000)، از رویکرد تحلیل پوششی داده‌ها جهت تشکیل پرتفوی، از یک لیست شامل 185 شرکت استفاده شده است. از میان این تعداد، تنها 14 عدد به عنوان شرکت کارامد، ارزیابی شده‌اند. در مطالعه آنان، از 8 متغیر استفاده شده است که 5 متغیر خروجی شامل نرخ بازده یک ساله، سه ساله، پنج ساله، ده ساله و سود هر سهم هستند. متغیرهای نسبت قیمت به درآمد، ضریب بتا و ضریب سیگما به عنوان متغیرهای ورودی در این پژوهش به کار رفته است.

در مطالعۀ آنان میزان توانایی اوراق بهادار کارآمد را در شرایط ناپایدار بررسی کرده‌اند، به این معنا که اوراق بهادار کارآمد هنگام تغییرات نامطلوب تا چه مدت می‌توانند کارا باقی بمانند. پاورز و همکاران اعتقاد دارند که مزایای روش اتخاذ شده آنان، یعنی تحلیل پوششی داده‌ها، آن است که می‌توان به نحوی میزان کسری یا مازادی را که اوراق بهادار ناکارآمد برای تبدیل به کارآمد شدن دارند نیز محاسبه کرد. این دو پژوهشگر، در مقاله خود تأکید دارند که برای بهره‌گیری از این شیوه به صورت عملی در یک سرمایه‌گذاری باید حتماً به ضرایب وزنی توجه شود.

سویل [iii]و همکاران (2006) در ترکیه نیز اقدام به تشکیل پرتفوییی با استفاده از الگوهای کمی ارزیابی کارایی کردند. آنان در رویکرد خود از دارایی خالص (ارزش ویژه)، نسبت قیمت به درآمد، نسبت قیمت به جریان نقدی، نسبت ارزش بازار هرسهم به ارزش دفتری هر سهم و حجم داد و ستد به عنوان متغیرهای ورودی استفاده کردند و از سود ویژه، سیستم ارزیابی کارایی EMS به عنوان متغیرهای خروجی مسئله استفاده کردند. پس از تشکیل پرتفوی، بازده آن با شاخص بازار مقایسه شد. از سال 2002 تا سال 2005، 14 پرتفوی تشکیل و بازده آن محاسبه و با شاخص بازار در همان دوره مقایسه شده است. نتیجه این بود که بازده پرتفوی تشکیل شده با استفاده از تحلیل پوششی داده بیشتر از بازده بازار بوده است.

لوپز[iv] و همکاران (2008) در پژوهشی اقدام به استفاده از روشهای ارزیابی کارایی به عنوان استراتژی انتخاب سهام در بازار سهام برزیل کردند. آنها از نسبت قیمت به سود هر سهم، ضریب بتا و نوسان‌پذیری بازده هر سهم به عنوان متغیر ورودی و از درآمد هر سهم، از بازده 12، 36 و 60 ماهه به عنوان متغیرهای خروجی روش ارزیابی کارایی در یک بازه زمانی 10 ساله یا 120 ماه استفاده کردند. آنها دریافتند که پرتفوی ساخته شده با استفاده از روشهای ارزیابی کارایی نسبت به دو شاخص بازار برزیل عملکرد بهتری را ارائه کرده است.

راعی (1377) تحقیقی با هدف دستیابی به یک مدل سرمایه‌گذاری مناسب در سبد سهام انجام داد. مطالعات انجام شده، نشان داد که استفاده از شبکه‌های عصبی مصنوعی در تشکیل سبد سهام نسبت به مدل مارکویتز می‌تواند مؤثر باشد.

جمالی و همکاران (1391) تحقیقی با هدف دستیابی به یک مدل سرمایه‌گذاری مناسب در سبد سهام بااستفاده از روش [v]DIAروش بهبود یافته تحلیل پوششی داده ها انجام دادند, نتایج تحقیق حاکی از آن است که با استفاده از اقلام کلیدی ترازنامه ای و معیار های سودآوری جهت بدست اوردن پرتفوی ومقایسه تطبیقی آن باشاخص های نقدینگی می توان پرتفوی کارای ارائه نمود.

 

3- چارچوب نظری

تخصیص منابع یکی از مهمترین مسائل روز در ایران است. در اغلب موارد پروژه های سرمایه گذاری بسیار مفیدی وجود دارند ولی امکان دسترسی به منابع مالی برای آنها وجود ندارد. در یک بازار سرمایة کارآ از بعد عملیاتی، سرمایه در اختیار بهترین گزینه های سرمایه گذاری قرار می گیرد  و اولویت های بعدی، سایر منابع را به خود اختصاص می دهد.ورود به بازار سرمایه و استفاده از ابزارهای هوشمند جهت کسب بازدهی بیشتر گامی در راستای کارآتر شدن بازار است. کارآئی بازار، تخصیص منابع مناسب را به همراه خواهد داشت. این امر هم از بعد شخصی و هم از بعد ملی حائز اهمیت است زیرا:

1)    استفاده از ابزارهای هوشمند، می تواند بازدهی بیشتر را در بازار نصیب سرمایه گذار نماید.

2)    استفاده از ابزارهای مناسب و بازدهی بیشتر برای سرمایه گذار، تخصیص منابع بهتر را به همراه دارد و این امر در سطح ملی، می تواند حافظ منافع جامعه شود.

داده‌کاوی یک فعالیت میان رشته‌ای و ماحصل رویارویی و هم‌افزایی علوم مختلفی چون آمار، یادگیری ماشینی، هوش مصنوعی، تکنولوژی پایگاه داده و مصورسازی (توصیف و نمایه‌سازی) می‌باشد (نخعی‌زاده، 1386 به نقل از نجاری، 1389). در عین حال این محصول مشترک وجوه افتراق مشخصی با پدیدآورندگان خود دارد.یکی از کاربردهای داده کاوی در زمینه اوراق بهادار وکمک به سرمایه گذاران برای اخذ تصمیمات بیهنه اقتصادی می باشد.

داده‌کاوی در بسیاری از شاخه‌ها همچون بازاریابی، امور مالی، بانکداری، تولید، پزشکی، مدیریت ارتباط با مشتری، ردیابی، پیش بینی خرابی‌ها، آموزش سازمانی و... کاربرد دارد. که می‌توان به موارد زیر اشاره کرد:

1)       پایگاه داده عظیم و بسیاری وجود دارند.

2)       اطلاعات تجاری ارزشمندی می‌تواند از این پایگاه داده استخراج شوند.

3)       استفاده از روش‌های سنتی گذشته برای پشتیبانی تصمیم و تحلیل‌ها اجرا شدنی نیست.

4)       تحلیل‌های انسانی تحت تأثیر ابعاد و حجم داده‌ها قرار می‌گیرد.

5)       متدهای آماری سنتی رتبه قادر به رتبه‌بندی نیستند و نیاز به کارشناسان و تحلیلگران مهم و قابل توجه دارد.

در نتیجه ما می‌توانیم از مدل‌های مختلفی پیش‌بینی پرتفوی کارا استفاده کنیم که این مدل‌ها به دو گروه اصلی تقسیم می‌شوند که عبارتند از:

گروه اول؛ مدل‌های پارامتریک:

1)       مدل احتمال خطی

2)       مدل لاجیت و پروبیت

3)       مدل‌های تحلیل متمایز کننده

گروه دوم؛ مدل‌های ناپارامتریک:

1)       برنامه‌ریزی خطی

2)       شبکه‌های عصبی

3)       درخت‌های تصمیم

4)       مدل نزدیک‌ترین همسایگی

5)       فراگرد تجزیه و تحلیل سلسله مراتبی

6)       سیستم‌های خبره

7)       الگوریتم ژنتیک

 

 

در این مقاله نظر براین است که با استفاده از مدلهای منتج از داده کاوی و اقلام کلیدی ترازنامه ای و نسبت های سودآوری پرتفوی کارا و بهینه از بین شرکت های برتر و موفق بورس درطی سه سال 1388 و 1389 و 1390 بتوان تشکیل داد.

 

4- فرضیه‌ی های پژوهش

بررسی فرضیات تحقیق در داده‌کاوی می‌باشد پژوهش‌های کاربردی از اهمیت ویژه‌ای برخوردار است. در این پژوهش هدف اصلی تحقیق، ارائه نسبت های برتر سودآوری برای پرتفوی کارا با استفاده از تکنیک‌های. از این جهت فرضیات تحقیق متناسب با این هدف مورد توجه قرار گرفته و بررسی گردید.

فرضیه1: اقلام کلیدی ترازنامه ای در مقایسه با نسبت های سودآوری درارائه پرتفوی بهینه برتری دارند.

فرضیه2: نسبت های سودآوری در مقایسه بااقلام کلیدی ترازنامه ای در ارائه پرتفوی بهینه برتری دارند.

 

5- روش پژوهش

این تحقیق با توجه به نتایجی که می تواند به همراه داشته  باشد یک تحقیق بنیادی می باشد. زیرا درصدد شناسای معیارهایی برای تهیه پرتفویی بهینه جهت سرمایه گذاری می باشد. از طرف دیگر با توجه به کاربرد این تحقیق  در ارائه پرتفوی ،یک تحقیق کاربردی می باشد. از نظر روش تحقیق باتوجه به ماهیت پژوهش در حوزه علوم مالی،تحقیق حاضراز روش پیمایشی استفاده  می کند.  مراحل اجرایی و گام‌های اساسی در اجرای این پژوهش به صورت زیر قابل خلاصه شدن می‌باشد:

1)    تعیین اقلام کلیدی ترازنامه ای ونسبت های سودآوری

2)    جمع‌آوری داده از پایگاه داده‌های موجود (سازمان بورس اوراق بهادار)

3)    تعیین 20 شرکت برتر هر سال به عنوان شرکت برتر و 30 شرکت مابقی به عنوان شرکت موفق براساس نسبت های سودآوری بالاتر

4)    تقسیم داده‌های نمونه به دو مجموعه داده‌های آموزشی و داده‌های تست تعیین

5)    ساخت مدل‌ها با استفاده از داده‌های آموزشی

6)    آزمون مدل‌ها با مجموعه داده‌های تست

7)    بررسی دقت و سنجش اعتبار مدل‌ها در تعیین پرتفوی کارا

8)    ارائه بهترین الگو جهت تعیین پرتفوی کارا بر اساس تحقیق صورت گرفته مدل مفهومی تحقیق را می‌توان به صورت شکل 1 در نظر گرفت.

 

 

 

 

 

- آنالیز پایگاه داده

- انتخاب و تعدیل داده‌ها

- سازماندهی داده

- یکپارچه سازی داده

پایگاه داده‌ها

حوزه تصمیم‌گیری

- ایجاد دانش

- تفسیر نتایج

تعریف مسأله

 

- مرتب‌سازی داده‌ها

- الگوبرداری از قواعد و شروط:

     - مؤلفه‌ها

          - نسبت‌های سودآوری

          - ...

- خوشه‌بندی

- مدل‌های داده‌کاوی

C.RT,

C5,0  ,

Neural Net , 

CHID  

- تایید/ اعتبار مدل‌ها

- پالایش داده

- تجسم داده (نمودار، گراف و...)

خروجی مدل‌ها

گزینش راه‌حل/ اجرا

انتقال داده (جداول داده)

 

شکل شماره 1 - مدل مفهومی تحقیق (منبع یافته های پژوهشگر)

 

6- گردآوری داده ها

برای اقلام کلیدی ترازنامه ای از پرسشنامه استفاده شده است. سطح سنجش متغیرهای مورد بررسی عمدتاً رتبه‌ای (شبه فاصله‌ای) است. سؤال های پرسشنامه این پژوهش از نوع پنج گزینه‌ای خیلی‌کم تا خیلی‌زیاد (طیف لیکرت) است، که به ترتیب امتیازی از یک تا پنج به گزینه‌های بسیار کم، کم، متوسط، زیاد، بسیار زیاد داده شده است. بنابراین وزن های 1تا 3 تأیید کننده فرض صفر، یعنی ناقض روابط بین متغیرها هستند و وزن های 4 و5 رد کننده فرض صفر، یعنی تأیید کننده روابط بین متغیرها می‌باشند. برای بررسی فرضیه ها میانگین پاسخ‌هایی که توسط اعضای نمونه به سؤالات داده شده است محاسبه و با مطالب بیان شده مقایسه می‌شود.

 برای تعیین پایایی از روش آزمون مجدد استفاده شد. به عبارت دیگر، بین اعضای نمونه مقدماتی دوبار پرسشنامه در زمان‌های متفاوت توزیع و از مقایسه نتایج آن مشخص شد که انحراف قابل ملاحظه‌ای وجود ندارد. همچنین در پژوهش انجام شده با توجه به نمونه مقدماتی، میزان آلفای کرونباخ 85/0 بدست آمد که به پایایی بالای پرسشنامه به کار برده شده اشاره دارد.

که در سطح اطمینان 99/ و   01/ =αمقدار محاسبه شده χ²=17.25و مقدار استخراج شده جدول χ²=49.6    می باشد.

 برای تعیین روایی پرسشنامه ابتدا پرسشنامه را در سطح محدود توزیع کرده و سپس با انجام مصاحبه در نمونه کوچک پیش آزمون شده است. همچنین برای بالا بردن روایی نظرات استادان دانشگاه و برخی صاحبنظران دیگر اخذ گردید و پیشنهادهای آنان در مورد سؤالات پرسشنامه اعمال گردید. در نتیجه برخی از سؤالات حذف، برخی تعدیل و یا به پرسشنامه اضافه شد.

لازم به‌ذکر است که نسبت‌های سودآوری حسابداری که عبارتند از سود هر سهم، سود تقسیمی هر سهم، درصد سود تقسیمی، حاشیه سود، نرخ بازده سرمایه‌گذاری و نرخ بازده حقوق صاحبان سهام و همچنین نسبت قیمت به سود هر سهم انتخاب شده‌اند. در جدول شماره (1) خلاصه شده است.

 

جدول شماره 1 - متغیرهای پژوهش

اقلام کلیدی تراز نامه ایBI		نسبت های سودآوری II
1	حسابها و اسناد دریافتنی تجاری	1	سود(زیان) عملیاتی
2	جمع دارایی‌های جاری به‌استثناء موجودی کالا	2	سود(زیان) ویژه پس از کسر مالیات
3	موجودی مواد و کالا	3	درصد سود به درآمد
4	خالص دارایی‌های ثابت	4	درصد سود به سود ناویژه
5	جمع کل دارایی‌ها	5	درصد سود عملیاتی به درآمد
6	حساب‌ها و اسناد پرداختنی تجاری	6	درصد سود ناویژه به درآمد
7	جمع بدهی‌های جاری	7	نسبت قیمت به سود هر سهم (P/E)
8	حساب‌ها و اسناد پرداختنی بلندمدت	8	درصد بازده مجموع دارایی‌ها
9	حقوق صاحبان سهام در پایان سال مالی	9	درصد بازده سرمایه
10	جمع کل بدهی‌ها

منبع یافته های پژوهشگر

 

برای ساخت مدل لازم است ابتدا تکنیک مدل‌سازی و نرم‌افزارهای لازم برای اعمال تکنیک‌ها انتخاب شود. برای اعمال تکنیک‌ها در تحقیق حاضر از نرم‌افزارهای Microsoft SQL Server V 2008 و Microsoft Excel V 2007 و SPSS Clementine V 12 استفاده شده است.

 

7- تجزیه وتحلیل دادها

 برای آزمون فرضیه از نرم‌افزار SPSS Clementine استفاده کردیم. بدین صورت که ابتدا داده‌های خام را جمع‌آوری و طبقه‌بندی کردیم سپس در قالب SQL وارد نرم‌افزار کردیم. در این تحقیق 25% داده‌ها، به عنوان داده‌های تست و 75% به عنوان داده‌های آموزش انتخاب می‌نماییم. دراین تحقیق از4 مدل  C.RTو    C5,0 , Neural Net   , CHAID  استفاده شده است .

درخت تصمیم یکی از عمومی ترین تکنیک ها داده کاوی برای حل مسائل از نوع طبقه بندی    می­باشد این الگوریتم با ایجاد یکسری گره ها وشعبه ها بهم متصل سعی در طبقه بندی متغیرهای اسمی و تخمین متغیر های عددی دارد گره های یک درخت تصمیم نشان دهنده نقاط آزمون متغیر است بر مبنای نتایج آزمون صورت گرفته درخت تصمیم به گره ها یا برگ های جدید می رسد .ریشه در خت تصمیم اولین واساسی ترین گره درخت وبرگ های آن آخرین نقطه تفکیک  وبه عبارتی نشان دهنده  طبقه بندی است . مدل های حاصل از درخت تصمیم دارای الگوریتم های متفاوتی مثل تکنیک های C5,0,CART, CHAID   که نتایج اجرای این مدل ها به شرح زیر می باشد:

 

7-1- مدل C.RT

الگوریتم C.RT را می‌سازیم. سپس الگوریتم را اجرا نموده تا مدل C.RT ساخته شود. سایر مشخصات پارامترهای این الگوریتم عبارت است از:

میزان صحت مدل c5,0  در مجموعه داده‌های آموزش 08/81% می‌باشد. درصدهای مربوط به تست، در این تکنیک 96/83% می‌باشد. همچنین تعداد داده‌های آموزش مدل 113تراکنش و تعداد داده‌های تست در این مدل 37تراکنش برآورد شد.

دراین مدل ازمجموعه داده های آموزس از113داده 96 داده رادرست و17داده رانادرست  تشخیص داده شده اند ازمجموعه داده های تست از37داده 30داده رادرست و7داده رانادرست  تشخیص داده شده اند بنابراین این مدل دارای دقت پیش بینی 08/81% می باشد.

باتوجه به دقت بالای این مدل وجدول متغیرهای مهم[vi] آن می توان نتیجه گرفت که اقلام کلیدی ترازنامه ای ونسبت های سودآوری هردو جهت ارائه پرتفوی مناسب می باشد.

 

جدول شماره 2- نتایج اجرای مدل C.RT

18	17	16	15	14	13	12	11	10	9	8	7	6	5	4	3	2	1	ترتیب
BI1	II5	II1	BI8	II9	BI2	BI6	II6	II7	BI7	II3	BI3	II4	BI9	BI5	II6	II7	BI10	متغیرها

منبع یافته های پژوهشگر

 

2-7-  مدل درخت تصمیم (C5.0)

انتخاب ویژگی مبتنی بر درخت تصمیم گیری به علت اینکه این الگوریتم طبقه بندی همچوندرخت تصمیم زنتیکی برای انتخاب ویژگی های مناسب استفاده می کند مبتنی بر رویکرد طرح جدا سازی شده در انتخاب ویژگی ها است.

میزان صحت مدل درخت تصمیم (C5.0) در مجموعه داده‌های آموزش 81.33% می‌باشد. درصدهای مربوط به تست مربوط به صحت طبقه‌بندی و معیاری برای ارزیابی اعتبار و صحت مدل می‌باشد که در این تکنیک 86.67% می‌باشد. همچنین تعداد داده‌های آموزش مدل 120 تراکنش و تعداد داده‌های تست در این مدل 30 تراکنش برآورد شد.

دراین مدل ازمجموعه داده های آموزس از120داده 106داده رادرست و14داده رانادرست  تشخیص داده شده اند ازمجموعه داده های تست از30داده 26داده رادرست و4داده رانادرست  تشخیص داده شده اند بنابراین این مدل دارای دقت پیش بینی 86.67% میباشد. باتوجه به دقت بالای این مدل وجدول متغیرهای مهم آن می­توان نتیجه گرفت که اقلام کلیدی ترازنامه ای ونسبت های سودآوری هردو جهت ارائه پرتفوی مناسب می باشد.

 

جدول شماره3 - نتایج اجرای مدل (C5.0)

7	6	5	4	3	2	1	ترتیب
II5	BI10	II6	BI2	IN2	II7	BI8	متغیرها

منبع یافته های پژوهشگر

 

3-7- مدل شبکه‌های عصبی[vii]

مدل انتخابی از نوع پرسپترون چند لایه است این مدل‌ها کاربرد موفقیت‌آمیزی در حل برخی از مسائل مخصوصاً مسائل رتبه‌بندی داشته‌اند. این مدل جزء شبکه‌های پیشخور چند لایه است که مجموعه‌ای از واحدهای گیرنده، لایه ورودی را تشکیل می‌دهند و یک یا چند لایه پنهانی از گره‌های محاسباتی وجود دارد و همچنین یک لایه خروجی گره محاسباتی در انتها قرار دارد. میزان صحت مدل شبکه عصبی (MLP) در مجموعه داده‌های آموزش 61.67% می‌باشد. درصدهای مربوط به تست مربوط به صحت طبقه‌بندی و معیاری برای ارزیابی اعتبار و صحت مدل می‌باشد که در این تکنیک 73.17% می‌باشد. همچنین تعداد داده‌های آموزش مدل 109 تراکنش و تعداد داده‌های تست در این مدل 41 تراکنش برآورد شد.

دراین مدل ازمجموعه داده های آموزس از109داده 67داده رادرست و42داده رانادرست  تشخیص داده شده اند ازمجموعه داده های تست از41داده 30داده رادرست و11داده رانادرست  تشخیص داده شده اند بنابراین این مدل دارای دقت پیش بینی 73.17% می باشد.باتوجه به دقت بالای این مدل وجدول متغیرهای مهم آن می توان نتیجه گرفت که اقلام کلیدی ترازنامه ای ونسبت های سودآوری هردو جهت ارائه پرتفوی مناسب می باشد.

 

جدول شماره 4 - نحوه ساخت واجرای مدل  شبکه عصبی

10	9	8	7	6	5	4	3	2	1	ترتیب
BI2	BI7	BI9	II3	II5	BI5	II4	II1	II7	II6	متغیرها
	19	18	17	16	15	14	13	12	11	ترتیب
	II8	BI1	II9	BI8	BI10	BI3	BI4	BI6	II2	متغیرها

منبع یافته های پژوهشگر

4-7- مدل CHAID

  میزان صحت مدل CHAID در مجموعه داده‌های آموزش 70.59% می‌باشد. درصدهای مربوط به تست مربوط به صحت طبقه‌بندی و معیاری برای ارزیابی اعتبار و صحت مدل می‌باشد که در این تکنیک 79.17% می‌باشد. همچنین تعداد داده‌های آموزش مدل 102 تراکنش و تعداد داده‌های تست در این مدل 48 تراکنش برآورد شد.

دراین مدل ازمجموعه داده های آموزس از102داده 72داده را درست و 30داده را نادرست  تشخیص داده شده اند ازمجموعه داده های تست از48داده 38داده رادرست و10داده رانادرست  تشخیص داده شده اند بنابراین این مدل دارای دقت پیش بینی 79.17% می باشد.

باتوجه به دقت بالای این مدل وجدول متغیرهای مهم آن می­توان نتیجه گرفت که اقلام کلیدی ترازنامه ای ونسبت های سودآوری هردو جهت ارائه پرتفوی مناسب می باشد.

 

جدول شماره5 - نتایج اجرای مدل CHAID

6	5	4	3	2	1	ترتیب
II5	II4	II6	II7	BI3	BI5	متغیرها

منبع یافته های پژوهشگر

 

نتایج حاصل از بررسی چهار مدل فوق، درصد بالای صحت پیش‌بینی و اعتبار و کارایی این تکنیک‌ها را در میزان سودمندی معیارهای سودآوری نشان داد. بنابراین فرضیه اصلی تحقیق تایید گردید. بدین معنی اقلام کلیدی ترازنامه­ای ونسبت های سودآوری هردوجهت ارائه پرتفوی بهینه بااستفاده ازداده کاوی مناسب می باشد.

 

8- بحث و نتیجه‌گیری

با توجه به اهمیت تعیین شرکتهای برتر بورس و راهی برای سرمایه‌گذاری مطمئن، دسترسی به مدل هایی که با دقت بالا بتواند این رخداد را پیش‌بینی نماید، نقش مهمی به لحاظ اقتصادی و عملی دارد.

در این پژوهش چهار مدل مختلف برای پیش‌بینی معیارهای برتربرای ارائه پرتفوی اجرا گردید و یافته‌های حاصل مقایسه شدند.

در حالی که نتایج پژوهش حاضر نشان دهنده‌ی این واقعیت است که امکان پیش‌بینی شرکت های برتر بورس به عنوان پرتفوی کارا از راه اقلام کلیدی ترازنامه ای ونسبت های سودآوری وجوددارد. نتایج حاکی از این است که اقلام کلیدی ترازنامه ای ونسبت های سودآوری هر دو حائز اهمیت می باشد .این نتیجه با توجه به اهمیت اقلام کلیدی ترازنامه ای و نسبت های سودآوری دربررسی وضعیت وعملکردکلی شرکت ها و اطمینان ازصحت عملیات تحصیل سودآنها ومدیریت معقول منابع ومصارف شرکت ها می باشد.سرمایه گذاران معمولا تمایل به سرمایه گذاری درشرکت های سوآور ومعتبر رادارند .این نتیجه با نتایج تحقیقاتی ازجمله  تحقیق جمالی وهمکاران که اقلام کلیدی ترازنامه ای ونسبت های سودآوری رابا شاخص های بورس مقایسه وبرای ارائه پرتفوی استفاده کردند مطابقت دارد. با توجه به این نتایج سرمایه گذاران می تواننداز میان شرکت های برتر بورس پرتفوی بهینه با اقلام کلیدی ترازنامه­ای ونسبت های سودآوری تشکیل دهند. هرچند ارجحیت تاثیر گذاری آنان در هر مدل ترتیبی متفاوت اما برخی از آنان مانند جمع کل دارایی‌ها، درصد سود به درآمد ، درصد سود عملیاتی به درآمد و نسبت قیمت به سود هر سهم (P/E) در تمام مدل ها به عنوان یک فصل مشترک از ارجحیت بالاتری برخوردارند که  می­توانند به عنوان مبنایی مناسب مورد توجه سرمایه گذاران قرار گیرد.پژوهشگران آتی می توانند شاخص های دیگر تشکیل پرتفوی را نیز با داده کاوی بررسی کرده و همچنین کلیه شر کتهای بورس را مورد بررسی قرار بدهند.

 

---

1- استادیار، گروه حسابداری، واحد تهران مرکزی، دانشگاه آزاد اسلامی،تهران، ایران، نویسنده اصلی و مسئول مکاتبات.

[e-mail]  

2- کارشناس ارشد حسابداری، مدرس دانشگاه پیام نور واحد بروجرد.

[3]-  کارشناس ارشد حسابداری، دستیار علمی دانشگاه پیام نور واحد نهاوند.

---

[i]. Loras chi

[ii]. Powers Jenifer

[iii]. Souiel

[iv]. Lopes

[v]. AHP&IEP&DEA

[vi]. Variable Importance

[vii]. Neural Net

مراجع

فهرست منابع

1)      پورزندی، محمدابراهیم و هدایت‌اله منصوری، (1379)، "نقش گزارشگری مالی در بازار سرمایه"، حسابدار، شماره 138.

2)      تقوی فرد ، محمدتقی، طاها منصوری ، سیدمحمدرضا ناصرزاده و علیرضا فراست ، (1386)، "داده‌ کاوی و کاربرد آن در تصمیم‌گیری‌ها". دانش مدیریت، سال بیستم، شماره 79.

3)      جمالی ، علی، نرگس متقی نیا ، سمیه فتحی و سمیرا سیف (1391)، " ارائه پرتفوی مبتنی بر شاخص های سودآوری ونقدینگی باروش DIA"، کنفرانس ملی حسابداری, مدیریت مالی وسرمایه گذاری 26 بهمن، 1391،گرگان.

4)     جهانخانی، علی و علی پارسائیان، (1376)، "مدیریت سرمایه‌گذاری و ارزیابی اوراق بهادار"، تهران، انتشارات دانشکده مدیریت دانشگاه تهران.

5)      راعی، رضا. (1377)، "طراحی مدل سرمایه‌گذاری مناسب در سبد سهام با استفاده از شبکه‌های عصبی مصنوعی"، رساله دکتری، دانشکده مدیریت دانشگاه تهران.

6)      کیقبادی، امیررضا و وحید خدامی ، (1392)، " داده کاوی صورت های مالی جهت اعطای تسهیلات مالی" ، فصلنامه پژوهش های حسابداری مالی وحسابرسی، شماره17.

7)       Abd Rahman, Mohd Shaari, (2008), "Utilization of Data Mining Technology within the Accounting Information System in the Public Sector: A Coutry Study- Malaysia Degree of Philosophy, University of Tasmania.

8)       Dashtbayaz, M. L. et al., (2015)," Data Search and Discovery Process for Financial Statement Fraud", Research Journal of Finance and Accounting, Vol.6, No.3,PP. 75-80.

9)       G.L. Gray, R.S. Debreceny,(2014), A Taxonomy to Guide Research on the Application of Data mining to Fraud Detection in Financial Statement, Audits International Journal of Accounting Information Systems, Vol. 15, Iss. 4, December, PP. 357–380

10)    Kirkos, S., & Manolopoulos, Y., (2004), "Data Mining in Finance and Accounting: A Review of Current Research Trends". In Proceedings of The 1st International Conference on Enterprise Systems and Accounting (ICESAcc), Thessaloniki, Greece, PP. 63–78.

11)    Larose, D. T., (2005), "Discovering Knowledge in Data, John Wiley".

12)    M.M. Nasrizar,(2014)," Application of Data Mining Techniques to Detect and Predict Accounting Fraud: A Comparison of Neural Networks and Discriminant Analysis, Advances in Economics and Business Management (AEBM), Vol. 1, No. 3; November, PP. 226-228.

13)    Moorthi M., Nagarathna B.,(2015)," A Review on Data Mining and its Techniques in Finance Sector", International Journal of Advance Research in Computer Science and Management Studies ,Vol. 3, Iss. 3, March, PP. 29-37

14)    Sowjanya et al., (2013), " Application of Data Mining Techniques for Financial Accounting Fraud Detection Scheme", International Journal of Advanced Research in Computer Science and Software Engineering 3(11), November, PP. 717–724.

15)    Tofallis, C., (1994), "Input Efficiency Profiling: An Application to Airlines", Computer Ops Res. Vol. 24, No. 3, PP. 253-258.