انتخاب مؤلفه

تصمیم گیری همواره، یکی از مهم ترین وظایف مدیر بوده، در این بین، پیش بینی نتایج ورودی به سیستم و در حقیقت، نتایج شقوق مختلف تصمیم، جزءِ دغذغه های اصلی فرایندهای بهینه سازی تصمیم بوده است. از سوی دیگر، شناسایی عواملی که بر خروجی تصمیم یا نتیجه ی پیش بینی تأثیرگذارند اهمیت دارند؛ چرا که با شناسایی این عوامل می توان مدل مناسبی برای پیش بینی تدوین و سپس، کسب نتیجه از آن اقدام نمود. یکی از عوامل مهم برای تصمیم گیری سرمایه گذاران در مورد با خرید و فروش سهام یک شرکت، پیش بینی سود نقدی سهام بوده، در این مورد می توان از صورت های مالی در جایگاه ابزاری برای این پیش بینی استفاده نمود؛ بدین ترتیب که نسبت هایی را از صورت های مالی استخراج نموده، بر اساس آنها، مدلی برای پیش بینی سود آتی سهام توسعه داد و در نهایت تصمیم گرفت. در این مقاله سعی شده با استفاده از الگوریتم ژنتیک[1] و تلفیق آن با شبکه ی عصبی مصنوعی[2]، عوامل مؤثر بر پیش بینی سود آتی سهام (شامل نسبت های استخراج شده از صورت های مالی) شناسایی شده، در نهایت، این متغیرهای مؤثر بر خروجی، در مدلی که به مدد شبکه ی عصبی طراحی و برای پیش بینی سود آتی سهام به کار گرفته شوند. برای موردکاوی، به پیش بینی سود نقدی سهام 194 شرکت پذیرفته شده، در بورس توجه شده و 24 متغیر موجود در صورت های مالی که بر اساس نظر خبرگان در تغییرات سود نقدی سهام دخالت دارند، به مدل وارد شده اند. در نهایت، مدل ترکیبی با توجه به دینامیسم موجود بین متغیرهای ورودی، ده متغیر را به عنوان ترکیب بهینه ی متغیرهای تأثیرگذار انتخاب نموده که در مرحله ی دوم، به یک شبکه ی عصبی که برای پیش بینی طراحی شده، وارد شده اند و خطای حاصل از پیش بینی مبنای مقایسه با دیگر روش ها قرار گرفته است.

از آنجا که پیش بینی سود نقدی شرکت ها یکی از منابع اطلاعاتی با ارزش برای سرمایه گذاران و دیگر افراد ذینفع است، پژوهش حاضر تلاش می کند مدل هایی برای پیش بینی متغیرهای تأثیرگذار بر سود نقدی سهام پیشنهاد کند. برای این کار از اطلاعات شرکت های شیمیایی پذیرفته شده در بورس تهران بین سال های 1385 تا 1389 استفاده شده است. متغیرهای مستقل این تحقیق نسبت های حسابداری و متغیر وابسته سود نقدی سهام است. چارچوب مدل، ترکیبی از الگوریتم های PSO-SVR و PSO-LARS است. الگوریتم PSO، ترکیب بهینه ای از متغیرها که بر پیش بینی سود نقدی تأثیر گذارند را شناسایی می کند. سپس داده های مربوط به متغیرهای انتخاب شده توسط PSO به طور جداگانه به الگوریتم های SVR و LARS وارد می شوند و این الگوریتم ها را آموزش می دهند. در ادامه الگوریتم های SVR و LARS با داده های ارزیابی آزموده می شوند و به این ترتیب می توان خطای پیش بینی را اندازه گیری و روش ها را با هم مقایسه کرد. نتایج این پژوهش نشان می دهد ترکیب الگوریتم PSO با الگوریتم SVR یا ترکیب PSO-LARS در مقایسه با استفاده از الگوریتم های LARS و SVR به تنهایی می تواند پیش بینی بهتری از عوامل تأثیرگذار مورد نظر داشته باشد. ضمن این که در مقایسه دو روش ترکیبی PSO-LARS و PSO-SVR، خطای پیش بینی PSO-SVR کمتر است.