دفاع از رساله با عنوان : ارائه یک مدل هشدار زود هنگام درماندگی مالی برای شرکت های پذیرفته شده در بورس اوراق بهادر تهران از منظر ریسک سیستماتیک

اطلاعات پایان­نامه/رساله:

عنوان فارسی:   ارائه یک مدل هشدار زود هنگام درماندگی مالی برای شرکت های پذیرفته شده در بورس اوراق بهادر تهران از منظر ریسک سیستماتیک

عنوان انگلیسی: araeh yek madel npashodar zud npangam darmandegi mali baraye sharkat cpehei pazirefteh shodeh dar bors oragh bacpehedr taharan az monazar risk sistematik

چکیده:

در این پژوهش، مسئله اصلی به چالش پیش‌بینی دقیق درماندگی مالی شرکت‌ها در شرایط پیچیده و پویای بازار سرمایه ایران بازمی‌گردد. با توجه به محدودیت مدل‌های سنتی مبتنی بر نسبت‌های مالی و ناتوانی آن‌ها در شناسایی روابط غیرخطی و پنهان میان متغیرهای مالی، نیاز به بهره‌گیری از رویکردهای داده‌محور و الگوریتم‌های هوشمند بیش از پیش احساس می‌شود. هدف اصلی این پژوهش، طراحی و ارزیابی یک چارچوب ترکیبی مبتنی بر شاخص‌های مالی استخراج‌شده از تحلیل مؤلفه‌های اصلی و الگوریتم‌های یادگیری ماشین برای پیش‌بینی درماندگی مالی شرکت‌های پذیرفته‌شده در بورس اوراق بهادار تهران است.

این پژوهش از نظر روش، کاربردی و از نوع توصیفی تحلیلی بوده و با رویکرد داده‌محور انجام شده است. داده‌های مورد استفاده شامل اطلاعات مالی و بازار شرکت‌ها در بازه زمانی 1390 تا 1403 بوده و از پایگاه‌های اطلاعاتی بازار سرمایه ایران استخراج شده است. در این مطالعه ابتدا شاخص‌های ترکیبی مالی شامل سودآوری، ریسک، رشد، کارایی عملیاتی و ورشکستگی با استفاده از تحلیل مؤلفه‌های اصلی استخراج گردید. سپس برای پیش‌بینی درماندگی مالی از الگوریتم XGBoost و رویکردهای Ensemble و Bagging استفاده شد و عملکرد مدل‌ها با معیارهایی نظیر دقت، حساسیت، ویژگی، F1-score و ROC-AUC ارزیابی گردید.

نتایج پژوهش نشان داد که مدل‌های مبتنی بر یادگیری ماشین به ویژه XGBoost در مقایسه با روش‌های سنتی، از قدرت پیش‌بینی بالاتری برخوردارند.

همچنین استفاده از شاخص‌های ترکیبی موجب بهبود دقت مدل‌ها و کاهش خطای پیش‌بینی شده است.

یافته‌ها تأکید می‌کند که ترکیب داده‌های مالی و رویکردهای هوش مصنوعی می‌تواند چارچوبی کارآمد برای پیش‌بینی درماندگی مالی و تصمیم‌گیری در بازار سرمایه فراهم سازد.