تجزیه و تحلیل صورت های مالی شرکت های بورسی با بهره گیری از هوش مصنوعی و مدل های ترکیبی یادگیری ماشین

مقدمه: تحلیل سنتی صورت های مالی اغلب قادر به پردازش حجم عظیم اطلاعات متنی باارزش موجود در گزارش های کیفی مانند «گزارش تفسیر مدیریت» نیست. هدف: هدف این پژوهش، طراحی و آزمون یک مدل ترکیبی پیش بینی کننده وضعیت مالی با ادغام داده های عددی و متنی استخراج شده از سامانه کدال است. روش تحقیق: داده های ۱۵۰ شرکت تولیدی عضو بورس اوراق بهادار تهران در بازه زمانی ۱۳۹۷ تا ۱۴۰۲ جمع آوری شد. ۳۵ نسبت مالی به عنوان ویژگی عددی و از متن گزارش های تفسیری مدیریت، با استفاده از روش های TF-IDF و تحلیل احساس، ۲۰ ویژگی متنی استخراج گردید. مدل های رگرسیون لجستیک، جنگل تصادفی و XGBoost آموزش و با معیار سطح زیر منحنی ROC (AUC) ارزیابی شدند. یافته ها: مدل ترکیبی XGBoost با AUC برابر با ۰٫۹۲، به طور معناداری از مدل های مبتنی بر تنها داده های عددی (۰٫۸۵AUC=) و مدل سنتی آلتمن (۰٫۷۶AUC=) برتر بود. ویژگی های متنی مربوط به «افشای ریسک ها» و «لحن احساسی منفی» در بین ۱۰ ویژگی مهم مدل قرار گرفتند. نتیجه گیری: ادغام نظام مند داده های متنی و عددی، قابلیت پیش بینی وضعیت مالی شرکت ها را به طور چشمگیری افزایش می دهد و می تواند به عنوان ابزاری تحلیلی در اختیار سرمایه گذاران و ذی نفعان بازار سرمایه ایران قرار گیرد.

کلیدواژه ها:

پیش بینی وضعیت مالی ، گزارش تفسیر مدیریت ، پردازش زبان طبیعی (NLP) ، یادگیری ماشین ، بورس اوراق بهادار تهران