مجله تحقیقات مالی < SPAN> مجله تحقیقات مالی مالی مجله تحقیقات مالی

هدف: هدف اصلی این مطالعه تعیین کمیت عدم اطمینان و در نتیجه توسعه است. هدف بیشتر: هدف اصلی این مطالعه تعیین کمیت عدم اطمینان و در نتیجه ایجاد شاخص عدم اطمینان مالی برای بورس اوراق بهادار تهران (TSE) است. از آنجا که توجه به عدم اطمینان در توسعه اقتصاد و مدیریت از اهمیت ویژه ای برخوردار است ، ارزش آن را دارد که درک عمیق و دقیقی از آن بدست آورید. شرکت کنندگان در بازار مالی همیشه با عدم قطعیت در مورد آینده روبرو هستند. بنابراین ، آشنایی با مفهوم و درک آن برای همه شرکت کنندگان در بازار ضروری است. مواد و روش ها: در مطالعه حاضر ، نوسانات مشروط از سری نوسانات بهره وری به منظور به دست آوردن معیار مناسب تر برای بیان عدم اطمینان فیلتر شد. طبق مطالعات اخیر ، مدل پنج عاملی FAMA-French می تواند 69 تا 93 ٪ از تغییرات مقطعی در بازده مورد انتظار را توضیح دهد. بر این اساس ، در این مطالعه ، تخمین این مدل در ابتدا با دو روش حداقل مربعات معمولی و فضای حالت توسط الگوریتم فیلتر-کالمن مقایسه شد تا یک مدل مناسب برای فیلتر کردن نوسانات مشروط بدست آید. در این مطالعه ، فضای حالت با الگوریتم فیلتر Kalman و روش حداقل مربعات معمولی برای انتخاب مدل مناسب برای فیلتر کردن نوسانات مشروط از سری نوسانات بهره وری در مرحله اول برای تعیین کمیت عدم قطعیت از اتصالات مدل 5-فاکتور مقایسه شد. فاما و فرانسوی از دو طریق. یافته ها: معیارهای اطلاعات به همراه رویکردهای Debold و Mariano برای مقایسه تناسب مدل 5 عاملی FAMA و فرانسوی با دو روش فضای دولتی توسط الگوریتم فیلتر Kalman و حداقل مربعات معمولی استفاده شد. نتایج حاکی از برتری برآورد فضای دولت توسط الگوریتم فیلتر کالمن است. پس از انتخاب مدل مناسب ، نوسانات عملکرد شرطی هر نمونه کارها از سری نوسانات عملکرد فیلتر شد تا یک اندازه گیری مناسب تر از عدم اطمینان بدست آورند. در این راستا ، بازده 18 پرتفوی بر اساس طبقه بندی متغیرها استفاده شد. ضریب اندازه ، ارزش کتاب به ضریب ارزش بازار ، فاکتور سودآوری و عامل سرمایه گذاری. نتیجه گیری: سرانجام ، اجزای عدم قطعیت استخراج شده به طور متوسط ماهانه برای به دست آوردن شاخص ما به طور متوسط انجام شد. این شاخص به وضوح شرایط تحت عدم اطمینان را که در گذشته به طور مداوم رخ داده است نشان می دهد.

عملی: برای جلوگیری از کاهش سرمایه گذاری و خروج سرمایه و همچنین از دست دادن سهامداران ، دولت و نهادهای دولتی از جمله بورس اوراق بهادار می تواند با افزایش استفاده از ابزارهای مالی ، قیمت گذاری مناسب از این شاخص در زمان عدم اطمینان استفاده کند. اوراق بهادار و همچنین سایر روش هایی که عدم اطمینان را برای کاهش سرمایه گذاری کنترل می کنند. محققانی که رابطه بین متغیرهای اقتصادی و مالی را با عدم اطمینان مطالعه می کنند به جای استفاده از معیارهای مختلف برای ابراز عدم اطمینان ، باید از رویکرد استفاده شده در این تحقیق استفاده کنند که عدم اطمینان را بهتر نشان می دهد تا به نتایج بهتری برسد. محدودیت ها: شاخص در این مطالعه بر اساس رعایت فرکانس داده به صورت ماهانه به دست آمده است ، بنابراین این شاخص در توضیح عدم قطعیت هایی که تأثیر کوتاه مدت در بازار دارند ضعیف است. از آنجا که در ایجاد شاخص ، از میانگین مؤلفه های عدم اطمینان استفاده شده و عدم اطمینان کلی بازار را نشان می دهد ، مقایسه نتایج با عدم اطمینان شرکت ها به صورت جداگانه ممکن است نتایج متفاوتی ارائه دهد.

هدف: خطرات فاجعه بار جهانی به 62 دسته طبقه بندی می شوند که 34 مورد از آنها در نظر گرفته شده است. هدف بیشتر: خطرات فاجعه بار جهانی به 62 دسته طبقه بندی می شوند که 34 مورد از آنها در ایران ثبت شده است. چنین خطرات تهدیدات عمده ای برای اقتصاد ایران است. با استفاده از ظرفیت ابزارهای انتقال ریسک جایگزین ، به عنوان یکی از استراتژی های پیشنهادی مدیریت ریسک سابق آن ، در چارچوب های کلان مدیریت ریسک فاجعه داخلی از طریق درج ابزار مالی بازار سرمایه ایران و همچنین اسلامی ، حمایت مالی ایجاد می کند. بازار مالی. انتقال چنین خطرات فاجعه بار به ابزارهای مالی مناسب نیاز دارد. هدف از این مطالعه ارائه ، توضیح و طراحی چارچوب مدیریت ریسک فاجعه بار خانگی توسط ابزارهای جایگزین انتقال ریسک است. مواد و روش ها: مطالعه حاضر بر اساس یک روش بررسی ادبیات سیستماتیک انجام شده است. برای این منظور ، ادبیات مرتبط به طور سیستماتیک طی یک دوره هشت ماهه مورد بررسی قرار گرفت. اولا ، پس از مشخص کردن موضوع مطالعه ، سؤال تحقیق ایجاد شد. سپس پروتکل تحقیق طراحی شده و یک مدل ذهنی مناسب است

هدف: مقاله حاضر با هدف دستیابی به یک مدل مناسب برای پیش بینی رفتار Majo. هدف بیشتر: مقاله حاضر با هدف دستیابی به یک مدل مناسب برای پیش بینی رفتار جفت های اصلی ارز در بازار فارکس بر اساس تئوری هرج و مرج و یک الگوریتم ترکیبی. مواد و روش ها: این یک مطالعه تحقیقاتی کاربردی است. جمعیت آماری مطالعه حاضر شامل جفت های اصلی ارز موجود در بازار فارکس با بیشترین سهام معاملاتی (دلار ، پوند ، یورو و ین) بود. جمعیت شامل 3،888 بازدید یعنی 1،296 بازدید برای هر جفت ارز بود. دوره معاملاتی از ابتدای ژانویه 2017 تا پایان سال 2021 به طول انجامید. پس از بررسی داده ها و تعیین وجود هرج و مرج در بین داده ها ، با استفاده از دو تست BDS و Lyapunov Maximum ، سه مدل ترکیبی برای دستیابی به بهترین و بیشترین آزمایش انجام شد. وضعیت قابل اعتمادیافته ها: با توجه به نتایج به دست آمده از آزمون BDS و حداکثر دیدگاه لیاپونوف ، در داده های سه جفت ارز مورد بررسی هرج و مرج وجود دارد. علاوه بر این ، مدل هرج و مرج با الگوریتم ژنتیکی مرتب سازی بر اساس چند لایه و نخبه بدون تغییر شکل بهتر از سایر مدلها در این مطالعه عملکرد بهتری دارد. مقادیر ضریب نابرابری دم و آمار آزمون DM همچنین برتری ترکیبی مدل هرج و مرج را با الگوریتم مرتب سازی ژنتیکی غیر غالب و نخبگان غیر غالب نشان داد. نتیجه گیری: نتایج مدل هرج و مرج را با الگوریتم ژنتیکی مرتب سازی غیر غالب و نخبگان چند لایه با Perceptron و نخبگان برتر از دو مدل ترکیبی دیگر اثبات کرد.

هدف: مشکل بهینه سازی اوراق بهادار یک مشکل مالی مهم و ISS است. هدف بیشتر: مشکل بهینه سازی اوراق بهادار یک مشکل مالی قابل توجه است و مسئله انتخاب سبد سهام بهینه مدتهاست که ذهن متخصصان سرمایه گذاری را به خود اختصاص داده است. در شرایط نامشخص ، تعیین تخصیص دارایی ضروری است. ایجاد نمونه کارها از سرمایه گذاری یکی از رایج ترین چالش های مالی است که سرمایه گذاران با آن روبرو هستند. برای آنها ، ایجاد یک نمونه کارها از سرمایه گذاری که بالاترین سطح سود را به همراه دارد ، ضروری است. روشهای مختلفی برای ساخت یک نمونه کارها معرفی شده است که مشهورترین آنها رویکرد مارکوویتز است. به دلیل دشواری آن در تخمین بازده مورد انتظار و کواریانس برای کلاسهای مختلف دارایی ، کاستی های بی شماری با تئوری میانگین واریانس وجود دارد. مشکل با روش واریانس میانگین ماروویتز ، خطاهای تخمین و ناسازگاری منجر به توسعه چندین تلاش دانشگاهیان دیگر برای یافتن راه حل های احتمالی نمونه کارها می شود که منجر به تخصیص دارایی بهینه می شود. برای غلبه بر این مشکل ، مارکوس لوپز د پرادو اولین محقق بود که یک مدل سلسله مراتبی برای ساخت نمونه کارها را در مقاله معروف خود "ساخت اوراق بهادار متنوع که از نمونه خارج از نمونه" است ، پیشنهاد کرد. روش ها: مطالعه حاضر از نظر استفاده شده استاز نظر هدف ، از نظر فرایند اجرای ، و از نظر زمان گذشته نگر و پس از رویداد. این تحقیق بر کاربرد یادگیری ماشین در انتخاب نمونه کارها بهینه متمرکز شده است و هدف آن یافتن یک روش بهینه سازی نمونه کارها سهام است که عملکرد برتر در شبیه سازی نمونه اولیه برای بورس تهران دارد. در این مطالعه ، ما از تکنیک یادگیری ماشین ریسک سلسله مراتبی (HRP) استفاده می کنیم و نتایج را با حداقل رویکرد واریانس مقایسه می کنیم. مفهوم HRP مبتنی بر تئوری نمودار و تکنیک های یادگیری ماشین است و می تواند به سه مرحله اصلی از جمله خوشه بندی درخت ، شبه موربیزاسیون و بی نظری بازگشتی تقسیم شود. برای انجام این تحقیق ، از قیمت تعدیل شده 30 شرکت ذکر شده برای 760 روز معاملاتی از سال 2018 تا 2020 استفاده شد. مقادیر گمشده با انتشار آخرین نتایج به جلو مشاهده معتبر پر شد: برای ارزیابی عملکرد نمونه کارها ، نسبت شارپ برای هر دو نمونه و دوره های خارج از نمونه اندازه گیری شد.

نتایج حاصل از تجزیه و تحلیل در نمونه و خارج از نمونه نشان داد که رویکرد برابری ریسک سلسله مراتبی عملکرد بهتری نسبت به رویکرد حداقل واریانس دارد. نتیجه گیری: در این مطالعه ، محققان از یک روش تخصیص دارایی تخصیصی جدید استفاده کردند که برابری خطر-سلسله مراتبی (HRP) است که دارای مطلوب ترین ویژگی های متنوع سازی است. HRP یک جایگزین معنی دار برای رویکردهای تخصیص دارایی سنتی و یک ابزار مهم مدیریت ریسک برای سرمایه گذاران فراهم می کند. بنابراین ، مدیران نمونه کارها باید در ارزیابی هر روش با توجه به شرایط و موقعیت هایی که در آن قرار دارند ، یک رویکرد فعال داشته باشند.< SPAN> نتایج تجزیه و تحلیل در نمونه و خارج از نمونه نشان داد که رویکرد برابری ریسک سلسله مراتبی عملکرد بهتری نسبت به رویکرد واریانس حداقل دارد. نتیجه گیری: در این مطالعه ، محققان از یک روش تخصیص دارایی تخصیصی جدید استفاده کردند که برابری خطر-سلسله مراتبی (HRP) است که دارای مطلوب ترین ویژگی های متنوع سازی است. HRP یک جایگزین معنی دار برای رویکردهای تخصیص دارایی سنتی و یک ابزار مهم مدیریت ریسک برای سرمایه گذاران فراهم می کند. بنابراین ، مدیران نمونه کارها باید در ارزیابی هر روش با توجه به شرایط و موقعیت هایی که در آن قرار دارند ، یک رویکرد فعال داشته باشند. رویکرد. نتیجه گیری: در این مطالعه ، محققان از یک روش تخصیص دارایی تخصیصی جدید استفاده کردند که برابری خطر-سلسله مراتبی (HRP) است که دارای مطلوب ترین ویژگی های متنوع سازی است. HRP یک جایگزین معنی دار برای رویکردهای تخصیص دارایی سنتی و یک ابزار مهم مدیریت ریسک برای سرمایه گذاران فراهم می کند. بنابراین ، مدیران نمونه کارها باید در ارزیابی هر روش با توجه به شرایط و موقعیت هایی که در آن قرار دارند ، یک رویکرد فعال داشته باشند.

هدف: پریشانی مالی ، که به عنوان عدم اطمینان در مورد توانایی شرکت تعریف می شود. عینی تر: پریشانی مالی ، که به عنوان عدم اطمینان در مورد توانایی شرکت در تحقق تعهدات خود و بازپرداخت بدهی های آن تعریف شده است ، توسط مدلهای مختلفی که به سه گروه از مدل های اساسی (بر اساس داده های حسابداری یا مالی) تقسیم شده است ، برآورد شده است ، مدل های ساختاری (مدل های ساختاری (بر اساس ساختار سرمایه شرکت یا اطلاعات بازار) و مدل های ترکیبی. پیش بینی دقیق پریشانی مالی هنوز یک نکته مهم برای محققان مالی است. محققان تصدیق می کنند که پریشانی مالی هنگام وقوع تجربه می شود. بنابراین ، بهترین کاری که باید انجام شود ، تخمین احتمال پریشانی مالی یک شرکت است. در این راستا ، در مطالعه حاضر ، ابتدا یک مدل ترکیبی برای بررسی توانایی مدل های پیش بینی پریشانی مالی ارائه شده است. در مرحله بعد ، به منظور مقایسه مدل ترکیبی با مدلهای مبتنی بر حسابداری ، از نسخه دوم مدل Z Altman معروف به مدل Z˝ استفاده شد. برای مقایسه مدل ترکیبی با مدل های مبتنی بر بازار ، از مدل مرتون در سه گروه از جمله شرکت های سالم ، پریشانی و پریشانی استفاده شد. مواد و روش ها: در این تحقیق ، با بررسی مطالعات گذشته ، 47 متغیر مؤثر بر پریشانی مالی ، مانند متغیرهای حسابداری ، متغیرهای بازار و شاخص های کلان اقتصادی مشخص شد. پس از آن ، با توجه به فرکانس و عملکرد موفقیت آمیز این متغیرها در مطالعات گذشته ، 19 متغیر انتخاب شدند. در مرحله بعدی ، با استفاده از آزمون رگرسیون گام به گام ، در بین 19 متغیر ، 10 متغیر با مقادیر احتمال کوچکتر از 0. 05 انتخاب شدند. همچنین ، برای تعیین متغیر وابسته ، از مدل قیمت گذاری گزینه اروپایی (مدل مرتون) استفاده شد. سرانجام ، با استفاده از مدل ورود به سیستم چندمجمی و شناسایی رابطه بین متغیرهای وابسته و مستقل ، مدل ترکیبی برای پیش بینی پریشانی مالی طراحی شد. به منظور مقایسه مدل ترکیبی تولید شده با مدلهای اساسی مبتنی بر حسابداری ، از نسخه دوم مدل Z Altman معروف به مدل Z˝ استفاده شد. برای مقایسه مدل ترکیبی با مدل های ساختاری مبتنی بر بازار ، از مدل مرتون استفاده شد. علاوه بر این ، به منظور آزمایش توانایی مدل های پیش بینی پریشانی مالی ، نمونه ای از جمله 100 شرکت ذکر شده در بورس اوراق بهادار تهران (TSE) یا ایران (IFB) انتخاب شد. سپس ، با توجه به معیارهای تعریف شده ،

این شرکت ها به سه گروه متشکل از شرکت های سالم ، پریشانی و پریشانی تقسیم شدند. سرانجام ، توانایی مدل های فوق در پیش بینی پریشانی مالی مورد بررسی قرار گرفت. یافته ها: یافته های تحقیق نشان داد که در مدل ترکیبی ، نسبت سرمایه در گردش خالص به کل دارایی ها (WCTA) ، جریان نقدی عملیاتی به کل دارایی (OCTA) ، فروش به کل دارایی (STA) ، درآمد خالص به کل دارایی ها (NITA)، بدهی های کوتاه مدت و بلند مدت به حقوق صاحبان سهام (TLTE) ، قیمت به سود هر سهم (P/E) و قیمت به فروش (P/S) و متغیر نرخ بهره (INT) روابط قابل توجهی با مالی شرکت داشتاحتمال پریشانیهمچنین ، مقایسه مدل ترکیبی و مدل های معمولی نشان داد که به ترتیب در گروه شرکت های پریشانی مالی ، به ترتیب ، مدل Z˝ با دقت 100 ٪ ، مدل مرتون با دقت 85 ٪ و مدل ترکیبی با دقت 90 ٪ به درستی پیش بینی کرده بودوضعیت مالی شرکت ها. در حالی که ، در گروه شرکتهای پریشانی مالی ، صحت مدل Z˝ ، مدل مرتون و مدل ترکیبی در پیش بینی وضعیت مالی شرکت ها به ترتیب 50 ٪ ، 85 ٪ و 85 ٪ ایستاد. علاوه بر این ، در گروه شرکت های سالم ، این مدل ها به ترتیب 95 ٪ ، 85 ٪ و 90 ٪ از وضعیت مالی شرکت ها را به درستی پیش بینی کردند. نتیجه گیری: با توجه به نتایج به دست آمده ، مدل Z˝ در مقایسه با مدل های هیبریدی و مرتون از قدرت پیش بینی بالاتری در شرکتهای سالم و پریشانی برخوردار است. در حالی که ، مدل های هیبریدی و مرتون در پیش بینی وضعیت مالی شرکتهای پریشانی بهتر از مدل Z˝ هستند. بنابراین ، با توجه به اینکه عملکرد مدل مبتنی بر بازار مرتون در پیش بینی وضعیت مالی شرکتها از نظر Z˝ ضعیف تر است و مدل های ترکیبی که عمدتا توسط نسبت های مالی یا حسابداری شکل می گیرند ، و همچنین با توجه به یافته هااز مطالعات گذشته که ناکارآمدی بازار سهام در ایران را اثبات کرده است ، می توان نتیجه گرفت که بهتر است از متغیرهای حسابداری در تحقیقات آینده در زمینه پیش بینی پریشانی مالی استفاده شود.

هدف: هدف از این مطالعه استفاده از رویکرد نسبی قوی است که به حداقل می رسد. هدف بیشتر: هدف از این مطالعه استفاده از رویکرد قوی نسبی است که حداکثر پشیمانی را برای مقابله با عدم اطمینان فعلی در داده های ورودی مدل بهینه سازی نمونه کارها با میانگین مارکوویتز با بازسازی آن مدل به عنوان یک برنامه مخروطی مرتبه دوم به حداقل می رساند. بشرپشیمانی به عنوان تفاوت بین محلول به دست آمده و راه حل بهینه تحت یک مجموعه داده ورودی مشخص تعریف می شود. این رویکرد از سناریوها برای در نظر گرفتن عدم اطمینان فعلی در داده های ورودی استفاده می کند. علاوه بر این ، مدل بهینه سازی نمونه کارها قوی که توسط Bertsimas و SIM معرفی شده است ، که عدم اطمینان را به عنوان یک بازه در نظر می گیرند ، با استفاده از رویکرد قوی نسبی و مدل مارکوویتز مقایسه شد. مواد و روش ها: در این تحقیق ، از بازده 50 سهام فعال دیگر بورس اوراق بهادار تهران (TSE) برای به دست آوردن نمونه کارها بهینه با استفاده از روش پشیمانی Minimax بر اساس مدل Markowitz استفاده شد. سپس با استفاده از معیار شارپ خارج از نمونه ، نتایج روش پشیمانی Minimax با روش های کلاسیک مقایسه شد. یافته ها: بر اساس یافته های تحقیق ، رویکرد قوی نسبی در آزمون خارج از نمونه در اکثر نقاط مربوط به مرز کارآمد عملکرد بهتری را در مقایسه با مدل Markowitz نشان داد. همچنین ، رویکرد Bertsimas و SIM عملکرد بهتری نسبت به مدل Markowitz در آزمون خارج از نمونه ارائه داد. نتایج هیچ تفاوت معنی داری برای خروجی های خارج از نمونه بین رویکردهای نسبی قوی و برتسیماس و سیم کارت نشان نمی دهد. نتیجه گیری: با توجه به نتایج به دست آمده ، رویکرد قوی نسبی می تواند از رویکرد میانگین واریانس برای سرمایه گذاران با تقریباً تمام سطوح ترجیحات بازگرداندن ریسک فراتر رود. رویکرد ارائه شده در این تحقیق می تواند معیار ریسک جدیدی را در اختیار سرمایه گذاران قرار دهد که می تواند در انتخاب نمونه کارها بهینه در نظر گرفته شود. علاوه بر این ، نتایج تأیید کرد که سرمایه گذاران در انتخاب بین راه حل نسبی قوی و راه حل Bertsimas و SIM به طرز بی تفاوت عمل می کنند. این روش می تواند به عنوان یک رویکرد بهینه سازی نمونه کارها اعمال شود و همچنین می توان بازارهای مختلف را تحت این روش در نظر گرفت تا درک بهتری از توانایی آن داشته باشد.

هدف: ایجاد نقدینگی یکی از کارکردهای بانکها است که براساس تئوری مالی i است. عینی تر: ایجاد نقدینگی یکی از کارکردهای بانکها است که براساس تئوری واسطه گری مالی است. هدف از این مقاله بررسی تأثیر شوک های قیمت نفت و تحریم های اقتصادی بر ایجاد نقدینگی بانک های ایرانی ، با توجه به شرایط خاص این کشور است. مواد و روش ها: این مطالعه در یک چارچوب غیرخطی با استفاده از مدل های PSTR انجام شد. یافته ها: بر اساس نتایج به دست آمده از این مطالعه ، تأثیر شوک قیمت نفت و تحریم های اقتصادی با استفاده از مدل های آستانه انتقال صاف قابل توضیح است. شوکهای قیمت منفی نفت اثرات منفی بر ایجاد نقدینگی ورق در تعادل و همچنین در ایجاد نقدینگی کل بانکهای بزرگ دارند اما تأثیر مثبتی در بانکهای کوچکتر دارند. اثرات شوکهای مثبت نفتی فقط در ایجاد نقدینگی ورق در بانکهای بزرگتر قابل توجه است. با بررسی میانگین شوک های قیمت نفت ، نتایج نشان می دهد که شوک قیمت نفت به ایجاد نقدینگی بانک های بزرگ آسیب می رساند اما تأثیر قابل توجهی در بانک های کوچکتر ندارد. تحریم های اقتصادی تأثیر مثبتی در ایجاد نقدینگی بانک های بزرگ دارد و تأثیر قابل توجهی در بانک های کوچکتر ندارد. نتیجه گیری: به طور کلی ، نتایج ثابت کرد که تأثیر شوکهای منفی نفت بر ایجاد نقدینگی بانک ها بیشتر از تأثیر شوک های مثبت نفت و تحریم های اقتصادی است. علاوه بر این ، مکانیسم ها برای جبران تأثیرات منفی آن بر روی بانک ها باید ایجاد شوند.

هدف: در این مطالعه ، یک مدل پیش بینی نقدینگی بازار برای سهام سابق تهران ارائه شده است. هدف بیشتر: در این مطالعه ، یک مدل پیش بینی نقدینگی بازار برای بورس سهام تهران (TSE) با شناسایی عوامل مؤثر بر نقدینگی ارائه شده است. مواد و روشها: براساس داده های 154 شرکت بورس اوراق بهادار تهران (TSE) برای دوره 2009-2020 ، مقادیر 23 عامل استخراج و به دو خوشه تقسیم شدند. تکنیک حداقل مربعات معادله ساختاری (PLS-SEM) حداقل مربعات برای اعتبارسنجی متغیرهای استخراج شده از طریق معیار ارزیابی و تعیین قدرت آنها برای توضیح تغییرات استفاده شد. یافته ها: روابط بین متغیرها توسط مدلهای یادگیری ماشین مورد بررسی قرار گرفت. نتایج حاکی از 10 متغیر جریان نقدی غیر طبیعی ، هزینه های اختیاری غیر طبیعی ، خطای تخمین تعهدی ، تفاوت بین سرمایه های در گردش و مورد انتظار ، شناور رایگان ، تصدی حسابرس ، سهم حسابرسی ، سهم بازار حسابرس ، محافظه کاری و تغییر حسابرس است تا بتواند این امر را داشته باشد. بیشترین تأثیر در خوشه بندی. سرانجام ، بهترین مدل یادگیری ماشین از طریق آموزش و آزمایش انتخاب شد. با استفاده از مدل رگرسیون لجستیک نشان داد که برای مقدار محاسبه شده از یک متغیر وابسته بزرگتر از یا برابر با 3. 391 ، عدم اعتبار سهام شرکت قطعی است و برای مقدار محاسبه شده متغیر وابسته کمتر از 3/391 ، نقدینگی سهاماز شرکت قطعی است. سرانجام ، بهترین مدل یادگیری ماشین از طریق آموزش و آزمایش انتخاب شد. نتیجه گیری: بر اساس مطالعات کتابخانه ، 89 معیار نقدینگی مختلف در مطالعات مربوط به موضوع نقدینگی و طبقه بندی های مختلف از جمله اقدامات با فرکانس کم و بیش و اقدامات یک بعدی یا چند بعدی استفاده شده است. در مورد بهترین اندازه گیری و همبستگی بین بیشتر این اقدامات توافق کمتری وجود دارد که نشان می دهد استفاده از یک اقدام نامناسب ممکن است منجر به نتیجه گیری نادرست شود. با استفاده از نرم افزار MINITAB ، متغیر وابسته با 5 معیار متداول (اقدامات) شناخته شده در مطالعات کتابخانه مقایسه شد (اندازه گیری لیو ، اندازه گیری نقص amihud ، اندازه گیری صفر ، تعداد اندازه گیری روز معاملات و اندازه گیری حجم معاملات). نتایج از نظر آماری تفاوت معنی داری بین اقدامات گسترده و تازه به دست آمده را تأیید می کند.

لازم به ذکر است که متغیر وابسته با استفاده از الگوهای غیر سرپرستی در نرم افزار یادگیری ماشین استخراج شد و از نظر آماری تفاوت معنی داری بین معیارهای گسترده استفاده شده و متغیر به دست آمده اثبات شد. بنابراین ، متغیر حاصل معیار نقدینگی است. با توجه به نتایج ، متغیرهای مستقل بیش از 72 درصد از تغییرات نقدینگی را توضیح می دهند. علاوه بر این ، مدل شبکه عصبی نسبت به سایر مدل های یادگیری ماشین قادر به پیش بینی بود. در حقیقت ، این به عنوان بهترین مدل پیش بینی نقدینگی با 99. 32 درصد از دقت تناسب اندام ثابت شد.< Pan> لازم به ذکر است که متغیر وابسته با استفاده از الگوهای غیر سرپرستی در نرم افزار یادگیری ماشین استخراج شد و از نظر آماری تفاوت معنی داری بین معیارهای گسترده استفاده شده و متغیر به دست آمده اثبات شد. بنابراین ، متغیر حاصل معیار نقدینگی است. با توجه به نتایج ، متغیرهای مستقل بیش از 72 درصد از تغییرات نقدینگی را توضیح می دهند. علاوه بر این ، مدل شبکه عصبی نسبت به سایر مدل های یادگیری ماشین قادر به پیش بینی بود. در حقیقت ، این به عنوان بهترین مدل پیش بینی نقدینگی با 99. 32 درصد از دقت تناسب اندام ثابت شد. باید توجه داشت که متغیر وابسته با استفاده از الگوهای غیر سرپرستی در نرم افزار یادگیری ماشین استخراج شده و از نظر آماری تفاوت معنی داری بین معیارهای پرکاربرد و تفاوت معنی داری وجود دارد. متغیر به دست آمده اثبات شد. بنابراین ، متغیر حاصل معیار نقدینگی است. با توجه به نتایج ، متغیرهای مستقل بیش از 72 درصد از تغییرات نقدینگی را توضیح می دهند. علاوه بر این ، مدل شبکه عصبی نسبت به سایر مدل های یادگیری ماشین قادر به پیش بینی بود. در حقیقت ، این به عنوان بهترین مدل پیش بینی نقدینگی با 99. 32 درصد از دقت تناسب اندام ثابت شد.