پیش بینی جریان نقد عملیاتی

هدف: در پژوهش حاضر، مقایسه عملکرد مدل های یادگیری ماشین و مدل های آماری در پیش بینی سود و جریان نقد عملیاتی با استفاده از مجموعه متغیر های تعهدی و نقدی بررسی شده است.روش: روش شناسی پژوهش به سه مرحله گزینش مجموعه داده و متغیرها، مدل سازی و قیاس تقسیم بندی می شود. جامعه آماری پژوهش حاضر، شرکت های بورس اوراق بهادار تهران و داده های 184 شرکت طی بازه زمانی 1391 تا 1400 بررسی شده است.یافته ها: نتایج این پژوهش نشان دهنده آن بود که متغیرهای تعهدی توان تبیین بیشتری نسبت به متغیر های نقدی برای پیش بینی سود خالص و جریان نقد عملیاتی آتی دارد. علاوه بر این، مقایسه عملکرد مدل های یادگیری ماشین و آماری در پیش بینی سود خالص و جریان نقد عملیاتی آتی نشان دهنده آن بود که رویکرد هوش مصنوعی توانایی بیشتری دارد و بین مدل های یادگیری ماشین، رگرسیون نمادین و مدل های آماری، مدل پروبیت از عملکرد بیشتری برخوردار است؛ همچنین نتایج نشان دهنده آن بود که اگرچه به طور میانگین مدل های یادگیری ماشین عملکرد بیشتری نسبت به مدل های آماری دارد، مدل های آماری نیز عملکرد بیشتری از برخی مدل های یادگیری ماشین ارائه می دهد.