پیش‌بینی سودآوری با رویکرد شبکه عصبی و مقایسه آن با ماشین بردار پشتیبان (svm) و درخت‌تصمیم C5

سود به‌عنوان یکی از مهم‌ترین شاخص‌های اندازه‌گیری عملکرد واحد اقتصادی، ازمباحث مهم حسابداری است که باتوجه به محیط رقابتی شدید و اهمیت تصمیم‌گیری سریع و مناسب مدیران جایگاه والایی نیز پیداکرده‌است. بنابراین تجزیه وتحلیل شاخص مزبور، عوامل مؤثربرآن و پیش‌بینی سودآوری بسیارحائزاهمیت است. درهمین راستا، در پژوهش حاضر تعداد 124 شرکت برای بازه‌زمانی1387 تا1395 با مبناقراردادن اطلاعات بنیادی صورت‌های مالی شرکت‌ها؛ اثر34 متغیر بردقت پیش‌بینی سودآوری شرکت‌های پذیرفته‌شده در بورس اوراق بهادار تهران مورد بررسی قرارگرفت. از تکنیک درخت‌تصمیمc5 جهت تعیین متغیرهای معنادار در پیش‌بینی سودآوری به علت سهولت بالا در فهم مدل، استفاده شد. در نهایت پس از تعیین متغیرهای موثر و مشخص شدن 8 متغیر، دقت پیش‌بینی‌ها بااستفاده ازتکنیک شبکه‌عصبی، درخت‌تصمیمC5 و ماشین بردار پشتیبان(SVM) اندازه‌گیری ونتایج حاصل از این3 الگوریتم بایکدیگر مقایسه شد. نتایج مقایسه بیانگر آن بود که بهترین مدل پیش‌بینی سودآوری شرکت‌ها با درنظر گرفتن متغیرهای معنادار، الگوریتم درخت‌تصمیم C5 بادقت93.54% است و پس از آن مدل شبکه عصبی بادقتی برابر81.45% نسبت به ماشین بردارپشتیبان (69.35%) دقیق‌تر و دارای سطح خطای کمتری است.