| مدل ترکیبی کارایی متقاطع و یادگیری ماشین برای تحلیل کارایی شرکتهای بورسی |
| کد مقاله : 1540-ICM |
| نویسندگان |
|
بهاره جوشنی *1، امید ولی زاده2، مهسا اخوان راد2، مجتبی غیاثی3 1مشهد-هنرستان یک - پلاک 40 2گروه مدیریت، دانشکده علوم اداری و اقتصادی، دانشگاه فردوسی مشهد، مشهد 3دانشکده مهندسی صنایع و مدیریت، دانشگاه صنعتی شاهرود، شاهرود، ایران |
| چکیده مقاله |
| این پژوهش با هدف ارائه چارچوبی نوین برای سنجش و پیشبینی کارایی شرکتهای بورسی ایران، از تلفیق رویکرد کارایی متقاطع در تحلیل پوششی دادهها و الگوریتمهای یادگیری ماشین بهره گرفته است. در گام نخست، عملکرد 130 شرکت فعال در بورس طی دوره 1386 تا 1402 بر اساس دو شاخص جمع بدهی و RETRSIK بهعنوان ورودی و شاخصهای بازده سالیانه سهام و نقدشوندگی بهعنوان خروجی ارزیابی شد. سپس مجموعهای از مدلهای یادگیری ماشین برای تشخیص عوامل کلیدی اثرگذار بر تغییرات کارایی و بهبود قابلیت پیشبینی به کار گرفته شد. یافتهها نشان میدهد الگوریتم LightGBM در مقایسه با مدل درخت تصمیم دقت و پایداری بالاتری داشته و قادر است روابط پیچیده میان متغیرهای مالی را با خطای کمتر مدلسازی کند. بهکارگیری همزمان رویکردهای ارزیابی کارایی و مدلهای هوش مصنوعی، ابزار تحلیلی مؤثری برای مدیران و سیاستگذاران بازار سرمایه فراهم میکند و میتواند به ارتقای کیفیت تصمیمسازی، افزایش شفافیت و تقویت حکمرانی هوشمند در مواجهه با ابرچالشهای اقتصادی کشور منجر شود. |
| کلیدواژه ها |
| بازار سرمایه ، ارزیابی عملکرد ،کارایی متقاطع ،مدل های هوش مصنوعی |
| وضعیت: پذیرفته شده |