مقایسه رگرسیون خطی چندگانه و الگوریتم‌های یادگیری ماشین در پیش‌بینی نگهداشت وجه نقد

مهندسی مالی و مدیریت اوراق بهادار

دوره 14، شماره 57، دی 1402

نوع مقاله: مقاله پژوهشی

نویسندگان

سمیرا سیف^{* 1}؛ مصطفی یوسفی طزرجان²

¹استادیار، گروه حسابداری، دانشگاه پیام نور، تهران، ایران.

²استادیار، گروه مهندسی صنایع، دانشگاه جامع علمی کاربردی، کرج، ایران

چکیده

در سالهای اخیر، در ادبیات مالی، توجه روز افزونی به سطح نگهداشت وجه نقد شرکت‌ها شده است. لذا؛ پیش‌بینی برای تعیین سطح بهینه نگهداشت وجه نقد اهمیت دارد. در این پژوهش با استفاده از روش‌های خطی و غیرخطی و 13 متغیر ورودی تاثیر‌گذار میزان وجه نقد در 103 شرکت پذیرفته شده در بورس اوراق بهادار ایران طی سال‌های 1392 تا 1400 پیش‌بینی شده است. روش‌های به‌کار رفته شامل رگرسیون خطی چندگانه (MLR) ، نزدیکترین k همسایه (KNN) ، ماشین بردار پشتیبان (SVM) و شبکه‌های عصبی چند لایه (MLNN) برای پیش‌بینی استفاده شده است. نتایج نشان می‌دهد که روش سنتی رگرسیون خطی چندگانه در پیش‌بینی وجه نقد موفق عمل نکرده‌اند ولی الگوریتم‌های یادگیری ماشین با دقت 99/0 برتر بوده‌اند. متغیرهای سود هر سهم، نسبت داراییهای جاری به بدهیهای جاری و نسبت بدهی کوتاه‌مدت به کل دارایی‌ها تاثیر‌گذاری بیشتری در همه الگوریتم‌ها داشته‌اند. بنابراین، مدیران می‌توانند از الگوریتم‌های پیشرفته یادگیری ماشین جهت پیش‌بینی میزان وجه نقد آینده شرکت‌ها بهره بگیرند.

کلیدواژه‌ها

پیش‌بینی؛ نگهداشت وجه نقد؛ رگرسیون خطی چندگانه؛ الگوریتم‌های یادگیری ماشین

مراجع