اثربخشی سطح توان سودآوری شرکت ها: تحلیلی تطبیقی از رویکردهای یادگیری ماشین

پیش بینی سودآوری شرکت ها از چالش های کلیدی در تحلیل های مالی و سرمایه گذاری است. این پژوهش به تحلیل تطبیقی مدل های مختلف یادگیری ماشین برای پیش بینی سطح توان سودآوری شرکت های پذیرفته شده در بورس اوراق بهادار تهران در بازه زمانی ۱۳۹۱ تا ۱۴۰۱ می پردازد. در این راستا، متغیرهای کلان اقتصادی نظیر نرخ ارز، قیمت نفت، شاخص کل بورس، قیمت سکه و نرخ تورم به عنوان متغیرهای توضیحی در مدل های یادگیری ماشین وارد شده اند. ابتدا، برای تحلیل تاثیرات خطی این متغیرها بر سودآوری، از مدل های داده های تابلویی استفاده گردید. سپس، الگوریتم های یادگیری ماشین نظیر ماشین بردار پشتیبان ، جنگل تصادفی و شبکه عصبی پرسپترون چند لایه به منظور پیش بینی سطوح مختلف سودآوری به کار گرفته شدند. نتایج نشان داد که مدل جنگل تصادفی نسبت به سایر مدل ها دقت بالاتری در پیش بینی سطوح سودآوری ارائه داده است. برای بهبود دقت پیش بینی، در گام بعدی رویکرد ترکیبی یادگیری ماشین و زنجیره مارکوف معرفی شد که نتایج آن به طور چشمگیری دقت پیش بینی را افزایش داد. این مدل ترکیبی در چهار فصل سال ۱۴۰۱ به ترتیب دقت های ۹۱%، ۹۶% و ۸۹% را در پیش بینی سطح سودآوری شرکت ها به دست آورد. یافته های این پژوهش حاکی از آن است که رویکرد ترکیبی یادگیری ماشین و زنجیره مارکوف، نسبت به روش های منفرد، قابلیت بهتری در پیش بینی سطوح سودآوری و تحلیل تغییرات زمانی آن ها دارد. این رویکرد می تواند به عنوان ابزاری نوآورانه در تصمیم گیری های مالی و سرمایه گذاری، به ویژه در بازار سرمایه ایران، مورد استفاده قرار گیرد.

کلیدواژه ها:

پیش بینی سودآوری ، توان سودآوری شرکت ها ، یادگیری ماشین ، جنگل تصادفی ، ماشین بردار پشتیبان ، شبکه عصبی پرسپترون چندلایه ، زنجیره مارکوف