پیش بینی وضعیت ارزش افزوده اقتصادی در شرکتهای پذیرفته شده در بورس اوراق بهادار تهران با استفاده از الگوریتم ژنتیک

هدف اصلی این مقاله ارائه مدلی جهت پیش بینی وضعیت ارزش افزوده اقتصادی در شرکتهای پذیرفته شده در بورس اوراق بهادار تهران از طریق الگوریتم ژنتیک می باشد. نگرانی های منطقی سرمایه گذاران از بازگشت اصل و سود سرمایه هایشان سبب شده است که در این تحقیق به پیش بینی ارزش افزوده اقتصادی مبنایی جهت ارزیابی عملکرد شرکت ها بپردازیم. یکی از راه هایی که می توان با استفاده از آن به بهره گیری مناسب از فرصت های سرمایه گذاری و همچنین جلوگیری از به هدررفتن منابع کرد ، پیش بینی وضعیت ارزش افزوده اقتصادی است. به این ترتیب که اولا با ارائه هشدارهای لازم ، می توان شرکت ها نسبت به عملکرد خود در آینده هوشیار کرد تا آنها با توجه به این هوشیارها دست به اقدامات مقتضی بزنند و دوم اینکه سرمایه گذاران فرصت های مطلوب سرمایه گذاری را از فرصت های نامطلوب تشخیص دهند و منابع شان را در فرصت ها و مکان های مناسب سرمایه گذاری کنند . در این تحقیق اندخته صرف سهام، اندوخته طرح و توسعه، اندوخته احتیاطی، اندوخته قانونی، اندوخته مخصوص، هزینه سرمایه( c)، بدهی های بهره دار، هزینه های مالی، سرمایه به کار گرفته شده (capital)، جمع حقوق صاحبان سهام در پایان سال مالی، مطالبات بلند مدت، سود خالص عملیاتی پس از کسر بهره و مالیات (nopat)، بازده سرمایه(r)، سرمایه، سایر اجزای حقوق صاحبان سهام، سود و زیان انباشته، سود وزیان ویژه پس از کسر مالیات، تسهیلات مالی دریافتنی به عنوان متغیرهای مستقل و ارزش افزوده اقتصادی به عنوان متغیر وابسته انتخاب شده است.جامعه مورد مطالعه شرکت های پذیرفته شده در بورس اوراق بهادار تهران در بازه زمانی 1385 الی 1391 بوده است. ابتدا با اجرای آزمون میانگین از بین متغیرها ، متغیرهایی را که دارای تفاوت معنادار در دو گروه شرکتهای با eva مثبت و eva منفی هستند به دست می آوریم. آزمون independent sample t-test برای انجام این امر انتخاب شده است. برای انجام این آزمون از نرم افزارspss ویرایش 20.0 استفاده شده است. سپس با استفاده از تکنیک الگوریتم ژنتیک که یکی از بهترین الگوریتم های تکاملی می باشد متغیرهایی را که بیشترین توانایی تمیز بین دو گروه شرکتهای دارای eva مثبت و eva منفی را دارند را بدست آورده و مدل پیش بینی را استخراج نمودیم. مدل استخراج شده از الگوریتم توانست با دقت ??? شرکت های نمونه را یک سال پیش از وقوع ارزش افزوده اقتصادی منفی به درستی در گروه شرکتهای با ارزش افزوده اقتصادی منفی و مثبت طبقه بندی کند.