طراحی مدلی جهت پیش بینی بحران مالی بازار سرمایه ایران با استفاده از مدل های وب هوشمند (مقاله علمی وزارت علوم)
درجه علمی: نشریه علمی (وزارت علوم)
آرشیو
چکیده
با توجه به اینکه مدیران به دلیل تصمیم گیری و ذینفعان بخصوص سرمایه گذاران تمایل دارند تا حدودی بروز یا عدم بروز بحران مالی را در سازمان تحت مدیریت خود پیش بینی نمایند، لذا هدف پژوهش حاضر این است که مدلی برای پیش بینی این بحران ارائه کند. برای نیل به هدف پژوهش، از مدل های وب هوشمند شامل الگوریتم های گرگ خاکستری، مورچگان، تجمع ذرات و ژنتیک استفاده شد. برای این منظور از داده های حاصل از پرسشنامه تکمیل شده توسط 20 خبره در بخش کیفی و داده های حاصل از 173 شرکت از سال 1388 تا 1398 پذیرفته شده در ﺑﻮرس اوراق بهادار تهران استفاده شد. با استفاده از مرور مبانی نظری 38 شاخص از طبقه های شاخص های کلان اقتصادی، عوامل صنعت، ویژگی شرکت ها، وقایع سیاسی، فرهنگی، رفتاری شناسایی شد. سپس، با استفاده از نظرخواهی از خبرگان و تحلیل میک مک تعداد 25 شاخص که می توانند تأثیر بیشتری بر بحران مالی داشته باشند، انتخاب شد. در ادامه با استفاده از بررسی صورت های مالی 173 شرکت پذیرفته شده در ﺑﻮرس اوراق بهادار تهران و استفاده از نرم افزار رهاورد نوین داده های 25 شاخص انتخاب شده جمع آوری و تأثیر آن بر بحران مالی با بکارگیری الگوریتم های گرگ خاکستری، مورچگان، تجمع ذرات و ژنتیک بررسی شد تا الگوی نهایی پژوهش مشخص شود. یافته ها نشان داد که می توان با استفاده از مدل های وب هوشمند، بحران مالی بازار سرمایه ایران را پیش بینی نمود و از نظر کارایی، روش بهینه سازی مورچگان بیشترین کارایی و روش گرگ خاکستری کمترین کارایی را در مسئله پیش بینی بحران مالی دارد.Design a Model to Predict the Financial Crisis of the Iranian Capital market Using Smart Web Models
As the managers due to decision-making and stakeholders, namely investors, tend to predict the occurrence or non-occurrence of financial crisis in the organization under their management, so the present study is aimed to provide a model for predicting this crisis. To achieve the research purpose, smart web models including grey wolf, ant colony optimization, particle swarm optimization and genetics algorithms were used. For this purpose, the data obtained from the questionnaire completed by 20 experts in the quality section and the data obtained from 173 companies from 2009 to 2019 listed in the Tehran Stock Exchange (TSE) were used. 38 indices from the categories of macroeconomic indicators, industry factors, corporate characteristics, political, cultural and behavioral events were identified using the review of the theoretical basics. Then, 25 indicators with high impact on the financial crisis were selected using expert opinion and MICMAC analysis. Then, by reviewing the financial statements of 173 companies listed on the Tehran Stock Exchange (TSE) and using Rahavard Novin software, the data were collected from 25 selected indicators and their impact on the financial crisis was examined using gray wolf, ant colony, particle swarm and genetics algorithm to determine the final model of the research. It was found that in terms of efficiency, the ant colony optimization method is the most efficient and the gray wolf method is the least efficient in predicting the financial crisis.
تبلیغات
