تبیین و ارائه مدلی برای پیشبینی نقدشوندگی سهام در بورس اوراق بهادار تهران | ||
| تحقیقات مالی | ||
| دوره 24، شماره 1، 1401، صفحه 134-156 اصل مقاله (659.19 K) | ||
| نوع مقاله: مقاله علمی پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22059/frj.2021.323611.1007184 | ||
| نویسندگان | ||
| بابک مرادی1؛ جمال بحری ثالث* 2؛ سعید جبارزادهکنگرلویی3؛ علی آشتاب4 | ||
| 1دانشجوی دکتری، گروه حسابداری، دانشکده علوم انسانی، واحد ارومیه، دانشگاه آزاد اسلامی، ارومیه، ایران. | ||
| 2استادیار، گروه حسابداری، دانشکده علوم انسانی، واحد ارومیه، دانشگاه آزاد اسلامی، ارومیه، ایران. | ||
| 3دانشیار، گروه حسابداری، دانشکده علوم انسانی، واحد ارومیه، دانشگاه آزاد اسلامی، ارومیه، ایران. | ||
| 4استادیار، گروه حسابداری، دانشکده اقتصاد و مدیریت، دانشگاه ارومیه، ارومیه، ایران. | ||
| چکیده | ||
| هدف: پژوهش حاضر با شناسایی عوامل مؤثر بر نقدشوندگی، مدلی برای پیشبینی وضعیت نقدشوندگی سهام، در بازار اوراق بهادار تهران ارائه کرده است. روش: 23 عامل مشخصشده در مطالعات کتابخانهای، بر اساس دادههای 154 شرکت فعال در فاصله زمانی 1388 تا 1398 استخراج و در قالب دو خوشه افراز شد. با استفاده از معادلات ساختاری با رویکرد حداقل مربعات جزئی، اعتبار متغیرهای شناساییشده با معیار حاصل از خوشهبندی ارزیابی شد. یافتهها: ارزیابی ارتباط متغیرها در مدلهای یادگیری ماشینی نشان داد که جریان نقدی غیرعادی، هزینه اختیاری غیرعادی، خطای تخمین اقلام تعهدی، تفاوت بین سرمایه در گردش تحقق یافته و موردانتظار، سهام شناور آزاد، دوره تصدی حسابرس، حقالزحمه حسابرسی، سهم بازار حسابرس، محافظهکاری و تغییر حسابرس، در خوشهبندی بیشترین تأثیر را دارند. سرانجام بهترین مدل یادگیری ماشینی، بر اساس آموزش و آزمون انتخاب شد. نتیجهگیری: نتایج نشان میدهد که متغیرهای مستقل، بیش از 72 درصد از تغییرات نقدشوندگی را توضیح میدهند. همچنین مدل شبکههای عصبی در مقایسه با سایر مدلهای یادگیری ماشینی، توان پیشبینی بیشتری دارد و با 32/99 درصد صحت برازش، مناسبترین مدل پیشبینی نقدشوندگی است. | ||
| کلیدواژهها | ||
| بازار اوراق بهادار تهران؛ نقدشوندگی؛ یادگیری ماشینی | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 1,530 تعداد دریافت فایل اصل مقاله: 1,066 |
||