الگوریتم ژنتیک غیرخطی

امروزه پیشرفت سریع فن آوری و تغییرات محیطی وسیع، منجر به رقابت روزافزون شده و دستیابی به سود را محدود و احتمال دچار شدن به بحران مالی را افزایش داده است. هدف این تحقیق بررسی قدرت پیش بینی بحران مالی توسط تکنیک های مختلف هوش مصنوعی(الگوریتم ژنتیک خطی و غیر خطی و شبکه عصبی) است. بر اساس اطلاعات و آمارهای در دسترس شرکت های پذیرفته شده در بورس اوراق بهادار تهران در طی دوره 1389-1376، از بین شرکت های مشمول ماده 141 قانون تجارت، 72 شرکت و از بین بقیه شرکت ها نیز 72 شرکت انتخاب شد. نتایج آزمون مک نمار برای تکنیک های الگوریتم ژنتیک غیرخطی و شبکه عصبی نشان می دهد که تفاوت معنی داری بین نتایج الگوریتم ژنتیک خطی و غیرخطی با شبکه عصبی وجود ندارد. اگر چه دقت پیش بینی الگوریتم ژنتیک غیرخطی(90 درصد) و الگوریتم ژنتیک خطی(80 درصد) بیشتر از شبکه عصبی(70 درصد) است ولی این تفاوت از لحاظ آماری معنی دار نیست.

هرچند دانسته ها در مورد روش تصمیم گیری استفاده کنندگان از صورت های مالی اندک است. اما به طور قطع می توان گفت بخشی از تصمیم گیری، به پیش بینی توانایی سودآوری آینده شرکت ها مربوط می شود. همچنین سودآوری به عنوان مبنایی برای ارزی ابی ک ارایی م دیران شرکت ها مورداستفاده قرار می گیرد. این پژوهش، باهدف معرفی الگ وریتم م ناسب جهت پیش بینی سودآوری به تصمیم گیرندگان، با استفاده از 23 نسبت مالی برتر، به عنوان متغیر مستقل، به مقایسه توانمندی تکنیک های تجزیه و تحلیل درونی و مقایسه ای داده در الگوریتم ژنتیک غیرخطی در پیش بینی سودآوری آینده شرکت های پذیرفته شده در ب ورس اوراق به ادار تهران طی سال های 1371 تا 1391 پرداخته که طبق نتایج به دست آمده، نتایج نشان می دهد مدل الگوریتم ژنتیک غیرخطی مبتنی بر تجزیه و تحلیل درو نی داده ها با دقت 90.04% دارای توانمندی بیشتری در پیش بینی سودآوری نسبت به مدل الگوریتم ژنتیک غیرخطی مبتنی بر تجزیه و تحلیل مقایسه ای داده ها با دقت 72.85% می باشد.