TY - JOUR ID - 168095 TI - پیش‌بینی لغو پذیرش شرکت‌ها از بورس اوراق بهادار تهران با استفاده از الگوریتم‌های مبتنی بر یادگیری ماشین JO - تصمیم گیری و تحقیق در عملیات JA - DMOR LA - fa SN - 2538-5097 AU - ضرقامی, امین اله AU - دعائی, میثم AU - بوستانی, آبتین AD - گروه مدیریت مالی، واحد اسفراین، دانشگاه آزاد اسلامی، اسفراین، ایران. AD - گروه مهندسی صنایع، مجتمع آموزش عالی فنی و مهندسی اسفراین، اسفراین، ایران. Y1 - 2023 PY - 2023 VL - 8 IS - 3 SP - 671 EP - 690 KW - لغو پذیرش از بورس KW - شبکه عصبی پرسپترون چندلایه KW - درخت تصمیم KW - نظریه بیز KW - هوش مصنوعی DO - 10.22105/dmor.2023.340413.1604 N2 - هدف: اخراج شرکت‌­ها با وجود اهمیت در مسایل اقتصادی و اجتماعی جامعه، کم‌تر در ادبیات مالی مورد‌‌توجه قرار گرفته است. این موضوع از آن جهت دارای اهمیت است که برای هر کشور، یکی از معیارهای سنجش اقتصادی، حجم بازار سرمایه می‌­باشد؛ بنابراین اخراج شرکت‌­ها نه‌تنها باعث از بین رفتن اعتبار شرکت، قیمت سهام و بازار فروش سهام آن شرکت می‌شود بلکه بر رشد بازار و اقتصاد هر کشور نیز موثر است. پژوهش حاضر به دنبال بررسی صورت­‌های مالی و گزارش حسابرسی شرکت‌های فعال و مقایسه آن با شرکت‌های لغو‌پذیرش‌شده می‌باشد تا به کمک فنون مدل‌سازی هوش مصنوعی، مدلی را برای پیش‌بینی شرکت‌های لغوپذیرش‌شده در بورس اوراق بهادار تهران طراحی نماید.روش‌شناسی پژوهش: در این پژوهش که روی شرکت‌های بورس اوراق بهادار تهران انجام پذیرفته است، داده­‌های مربوط به سه سال قبل از اخراج 73 شرکت حذف‌شده از بورس از سال 1382 تا سال 1397 در گروه اول و داده‌های 148 شرکت فعال که به‌صورت مستمر در بورس حضور داشتند در گروه دوم و با روش حذفی سیستماتیک انتخاب گردیدند. سپس با تکنیک‌های داده‌کاوی که از کارآمدترین و به‌روزترین مدل‌های هوش مصنوعی هستند و به کمک طبقه‌بند­های شبکه عصبی پرسپترون چندلایه، درخت تصمیم، و طبقه‌بند نظریه بیز به پیش‌بینی شرکت‌های لغو‌پذیرش‌شده از بورس پرداخته شده است.یافته‌ها: یافته‌ها نشان می‌دهد بهترین عملکرد را طبقه‌بند بیز داشته است و شبکه عصبی پرسپترون چندلایه در جایگاه دوم و طبقه‌بند درخت تصمیم در جایگاه سوم قرار گرفته است.اصالت/ارزش افزوده علمی: پژوهش­‌های کمی در حوزه پیش‌بینی اخراج شرکت­‌ها از بازار سرمایه در ایران شده است. این پژوهش با پر کردن این گپ، به پژوهشگران پیشنهاد داده است با استفاده از سایر طبقه‌بند‌ها، ترکیب کردن چندین طبقه‌بند با یکدیگر به‌منظور پوشش بهتر خطاهای هر یک، ترکیب کردن طبقه‌بند­ها با یکدیگر و وزن‌دهی به روشی که دقت بالاتری داشته باشد، اضافه کردن سایر متغیرهای تاثیرگذار در اخراج شرکت­‌ها از جمله ساختار مالکیت و ترکیب سهام‌داران می­تواند نتایج دیگری به دست آید. UR - https://www.journal-dmor.ir/article_168095.html L1 - https://www.journal-dmor.ir/article_168095_d682181c6aa2c4978571c53e89f7eb13.pdf ER -