رونمایی از شبکه جهت دار در پشت داده های صورتهای مالی با استفاده از همبستگی محدودیت نوسانات

داده های مالی ، مانند صورتهای مالی ، حاوی اطلاعات ارزشمند و مهم است که ممکن است به ذینفعان و سرمایه گذاران در بهینه سازی سرمایه خود برای به حداکثر رساندن رشد کلی اقتصادی کمک کند. از آنجا که متغیرهای زیادی در صورتهای مالی وجود دارد ، تعیین روابط علی ، یعنی تأثیر جهت بین آنها به روش ساختاری و همچنین درک مکانیسم های حسابداری مرتبط بسیار مهم است. با این حال ، تجزیه و تحلیل روابط متغیر به متغیر در اطلاعات مالی با استفاده از توابع همبستگی استاندارد برای رونمایی از جهت کافی نیست. در اینجا ، ما از روش همبستگی محدود شده نوسانات (همبستگی VC) برای پیش بینی رابطه جهت بین دو متغیر دلخواه استفاده می کنیم. ما روش همبستگی VC را به پنج متغیر اطلاعات مالی قابل توجه (درآمد ، درآمد خالص ، درآمد عملیاتی ، سرمایه خود و سرمایه گذاری در بازار) از 2321 بنگاه ذکر شده در بورس توکیو بیش از 28 سال از 1990 تا 2018 اعمال می کنیم. این مطالعه مشخص می کند که کدام حسابداری استمتغیرها تأثیرگذار هستند و مستعد هستند. یافته های ما نشان می دهد که درآمد عملیاتی تأثیرگذارترین متغیر است در حالی که سرمایه و درآمد بازار مستعدترین متغیرها هستند. با کمال تعجب ، نتایج با درک شهودی موجود که توسط شاخص های استراتژی سرمایه گذاری گسترده استفاده شده ، نسبت قیمت-درآمد و نسبت قیمت به کتاب ارائه می شود ، متفاوت است ، که گزارش می دهد که درآمد خالص و سرمایه خود تأثیرگذارترین متغیرهای مؤثر بر سرمایه گذاری در بازار است. این تجزیه و تحلیل ممکن است به مدیران ، ذینفعان و سرمایه گذاران کمک کند تا عملکرد مدیریت مالی را بهبود بخشند و استراتژی های مالی شرکت ها را در عملیات آینده بهینه کنند.

معرفی

ظهور فناوری اطلاعات باعث شده است که تعداد زیادی از داده های مالی را در زمان واقعی در مقیاس بی سابقه ای ذخیره و طبقه بندی کند [1]. اطلاعات مالی را می توان با تنوع گسترده ای از انواع داده ها نشان داد. با این حال ، یکی از فراوان ترین انواع داده ها ، داده های سری زمانی چند متغیره است که در آن اغلب از همبستگی بین دارایی های مختلف برای انجام تجزیه و تحلیل مدیریت ریسک ، تعیین استراتژی های سرمایه گذاری و بهبود مدیریت مالی استفاده می شود.

ساختار همبستگی در بازارهای مالی در بسیاری از مطالعات در مقیاس های مختلف بررسی شده است. Preis و همکاران. 72 سال قیمت بسته شدن روزانه 30 سهام میانگین صنعتی داو جونز را تجزیه و تحلیل کرد و دریافت که میانگین همبستگی بین سهام به طور خطی با استرس بازار در مقیاس های مختلف زمانی مقیاس می شود [2]. لالوکس و همکاران. تئوری ماتریس تصادفی کاربردی برای درک ساختار آماری ماتریس همبستگی تغییرات قیمت و نشان داد که بین پیش بینی های نظری و داده های واقعی مربوط به تراکم مقادیر ویژه توافق معنی داری وجود دارد [3]. این مطالعه سؤالات جدی در مورد استفاده ساده لوحانه مارکوویتز از ماتریس همبستگی تجربی برای مدیریت ریسک نمونه کارها ایجاد می کند. Plerou و همکاران. همچنین از تئوری ماتریس تصادفی برای تجزیه و تحلیل ماتریس همبستگی متقابل تغییرات قیمت بزرگترین 1000 سهام ایالات متحده استفاده کرد [4]. یافته های آنها نشان داد که تصادفی نمی تواند خصوصیات جهانی و غیر دانشگاهی را که امکان شناسایی همبستگی های متقابل بین سهام را فراهم می کند ، توضیح دهد. جیانگ و ژنگ با استفاده از تجزیه و تحلیل تئوری ماتریس تصادفی و در نظر گرفتن علامت اجزای موجود در بخش های ویژه ماتریس همبستگی متقابل ، ساختارهای زیر مجموعه مثبت و منفی بازار سهام چینی ، ایالات متحده و جهانی را کشف کردند [5]. همبستگی های متقابل بین تغییر حجم و تغییر قیمت شاخص های مالی توسط [6] مورد بررسی قرار گرفت. همبستگی های متقابل با برد طولانی در داده های دنیای واقعی از زمینه های مختلف ، مانند امور مالی ، نیز با استفاده از تئوری ماتریس تصادفی زمان ، مورد بررسی قرار گرفته است [7]. ادغام نظریه ماتریس تصادفی و روشهای شبکه نیز برای پرده برداری از همبستگی و خصوصیات شبکه 20 شاخص مالی استفاده شد [8]. اهمیت و تازگی روشهای بدنی که برای مطالعه تجزیه و تحلیل همبستگی مالی اعمال شده است توسط کوپین و دروازز در بررسی گسترده آنها برجسته شده است [9]. به طور خاص ، استفاده از تئوری ماتریس تصادفی در داده های سری زمانی چند متغیره مالی شایسته توجه ویژه است. در این راستا ، چندین اثر از این رویکرد مکانیک آماری به حوزه مالی ، یعنی [10] ، [11] ، [12] ، [13] ، [14] ، [15] استفاده کرده اند.

با این حال ، نمونه های زیادی از مجموعه داده ها در امور مالی وجود دارد که در آن معیارهای همبستگی استاندارد نمی توانند جهت همبستگی را تشخیص دهند (یعنی علیت). برای حل این مشکل جهت گیری ، Ochiai و Nacher [16] ، [17] ، [18] روش همبستگی محدود شده نوسانات (همبستگی VC) را معرفی کردند ، که ما را قادر می سازد جهت گیری تأثیر را تعیین کنیم ، یک ویژگی مهم که با استفاده از آن قابل تعیین نیستفقط تکنیک های تجزیه و تحلیل همبستگی استاندارد. جهت گیری تأثیر بین شاخص سهام Nikkei 225 ژاپن و سایر بازارهای مالی مشخص می شود [16]. همبستگی VC برای بازده روز و یک شبه اعمال شد و تأیید تقویت همبستگی منفی بین آنها و قوام با علیت زمان را تأیید کرد [17]. علاوه بر این ، همبستگی VC همچنین برای تجزیه و تحلیل داده های بیولوژیکی و پیش بینی تعامل تنظیم کننده ژن با دقت بالا استفاده شد [18].

در همین حال ، صورتهای مالی برای تصمیم گیری ، مانند سرمایه گذاری و ادغام و ادغام ، توسط سهامداران ، سرمایه گذاران و مدیران ضروری است. صورتهای مالی به بهبود تخصیص بهینه سرمایه و ترویج کل اقتصادها کمک می کند. رویکرد همبستگی VC علی رغم اهمیت آن در تجزیه و تحلیل کلاهبرداری و همچنین سودآوری ، برای تجزیه و تحلیل صورتهای مالی اعمال نشده است. Handayani و همکاران. عدم وجود همبستگی مؤلفه های صورتهای مالی را به عنوان پرچم های قرمز برای تشخیص کلاهبرداری در صورتهای مالی مشخص کرد [19]. محتوای متنی کیفی در گزارش های سالانه برای پیش بینی کلاهبرداری مورد مطالعه قرار گرفته است [20]. Ozdagoglu و همکاران. اظهارات صحیح و نادرست مالی مربوط به شرکتهای ترکی که در Borsa Stantanbul ذکر شده با استفاده از یک درخت تصمیم ، رگرسیون لجستیک و شبکه های عصبی مصنوعی ذکر شده است [21]. Spathis مدلی را برای تشخیص عوامل مرتبط با صورتهای مالی کاذب با استفاده از تکنیک های آماری تک متغیره و چند متغیره مانند رگرسیون لجستیک تهیه کرد [22]. Sorkun و Toraman از طریق صورتهای مالی ، با استفاده از روش های داده های داده شده ، مانند دستگاه های بردار پشتیبانی ، ضربات تصمیم گیری ، درخت M5P ، درخت J48 ، جنگل تصادفی و جداول تصمیم گیری ، کلاهبرداری را در رهبران الکترونیکی تشخیص دادند [23].

صورتهای مالی از نزدیک با توانایی پیش بینی سودآوری و درآمد مرتبط هستند. این موضوع مهم در بسیاری از آثار با استفاده از تکنیک های مختلف مورد تجزیه و تحلیل قرار گرفته است. به عنوان مثال ، کارستینا و همکاران. تجزیه و تحلیل همبستگی شاخص های مدیریت دارایی و سودآوری [24]. OU و PENMAN ارتباط مجموعه بزرگی از متغیرهای صورتهای مالی را با جهت تغییر درآمد 1 ساله پیش بینی کردند [25]. ایشیباشی و همکاران. کاربرد انتخاب متغیر را با استفاده از تکنیک های ارزیابی داده برای داده های صورت مالی تأیید کرد [26]. لوکانان و همکاران. امکان رتبه بندی اعتبار اعتبار گزارش مالی سه ماهه یک شرکت را با استفاده از یک روش تشخیص ناهنجاری پویا در مورد شرکت های ذکر شده ویتنامی ارزیابی کرد [27]. آندرس و همکاران. الگوریتم های یادگیری ماشین کاربردی برای مطالعه سودآوری تجارت بر اساس یادگیری اولویت [28]. Wimmer و RADA فناوری اطلاعات ، مانند درختان تصمیم گیری و الگوریتم های ژنتیکی ، برای پیش بینی جهت سرمایه گذاری در بازار ، برای پیش بینی جهت سرمایه گذاری در بازار [29]. یان و ژنگ سیگنال های اساسی را از صورتهای مالی ساختند و از یک رویکرد بوت استرپ برای ارزیابی تأثیر داده کاوی بر ناهنجاری های مبتنی بر اساسی استفاده کردند و دریافتند که آنها بهتر با سوءاستفاده توضیح داده می شوند [30].

اگرچه تجزیه و تحلیل داده های استاندارد ممکن است گرایش های همبستگی مثبت را در بین اکثر این مقادیر حسابداری نشان دهد، علیت بین آنها به اندازه کافی از دیدگاه علم داده بررسی و روشن نشده است. تعیین علیت یا جهت‌گیری تأثیر بین آنها با استفاده از روش‌های استاندارد، مانند ضرایب همبستگی استاندارد، دشوار است. در این کار، ما جهت نفوذ را بین پنج داده اصلی حسابداری مالی (درآمد، درآمد عملیاتی، درآمد خالص، سرمایه خود و ارزش بازار) با استفاده از تکنیک همبستگی VC مبتنی بر داده و داده‌های حسابداری 2321 شرکت فهرست شده از سال 1990 تعیین می‌کنیم. تا سال 2018 در بورس اوراق بهادار توکیو، یک بازار سهام استاندارد شده در ژاپن. شبکه جهت‌گیری مشاهده‌شده متغیرهای حسابداری ما را قادر می‌سازد تا تأثیر مستقیم بین متغیرهای حسابداری را برای اولین بار مشاهده کنیم، که استراتژی‌های سرمایه‌گذاری آینده و مدیریت عملیات مالی را پیشنهاد می‌کند. یافته‌های ما نه تنها نشان می‌دهد که درآمد عملیاتی تأثیرگذارترین متغیر است، بلکه ارزش بازار و درآمد حساس‌ترین متغیرها هستند. جالب توجه است، این پیش‌بینی‌ها با درک متعارف پیشنهاد شده توسط شاخص‌های استراتژی سرمایه‌گذاری که به طور گسترده مورد استفاده قرار می‌گیرند، نسبت قیمت به درآمد و نسبت قیمت به دفتر، که درآمد خالص و سرمایه خود را به‌عنوان تأثیرگذارترین متغیرها بر ارزش بازار معرفی می‌کنند، متفاوت است. بنابراین، تجزیه و تحلیل جدید ما ممکن است به مدیران، سهامداران و سرمایه گذاران برای بهبود استراتژی های مالی در عملیات آینده کمک کند، و همچنین ممکن است در زمینه های مهندسی مالی مرتبط، مانند پیش بینی تقلب و پیش بینی سودآوری، مفید باشد.

قطعات بخش

داده ها

بورس توکیو در ژاپن سومین بورس بزرگ جهان از نظر ارزش بازار پس از بورس نیویورک و بازار سهام نزدک است. اگرچه تحقیقات زیادی در بازار ایالات متحده وجود دارد، اما نیاز به بررسی بازار آسیایی که در حال ظهور در جهان است نیز وجود دارد. در این مطالعه، ما از داده‌های مالی بورس اوراق بهادار توکیو، بزرگترین بازار بورس در آسیا، برای مطالعه جهت‌گیری بین داده‌های مالی استفاده کردیم.

ما از پنج سالیانه اولیه استفاده می کنیم

معیارهای

فرض کنید rc (t ), i c (t ) , p c (t ), o c (t ) و m c (t ) به ترتیب درآمد، درآمد خالص، درآمد عملیاتی، سرمایه خود و ارزش بازار شرکت c در سال t باشد..

ما نرخ تغییر پنج متغیر حسابداری (درآمد ، درآمد ، درآمد عملیاتی ، سرمایه خود و سرمایه بازار) را تعریف می کنیم. نرخ تغییر درآمد ، سرمایه خود و سرمایه گذاری در بازار به شرح زیر تعریف شده است: r r c (t) = r c (t + 1) - r c (t) r c (t) ، r o c (t) = o c (t +1) - O C (T) O C (T) ، R M C (T) = M C (T + 1) - M C (T) M C (T). به همین ترتیب ،

پیش بینی های تجزیه و تحلیل همبستگی VC

در جدول 1 ، ما نتایج را برای میانگین همبستگی E C [S ، S ′] ، انحراف استاندارد از همبستگی σ C [S ، S ′] و تعداد شرکت های N ′ برای محاسبه همبستگی VC برای هر حسابداری جفت شده نشان می دهیم. متغیر [S ، S ′]. جدول 1 نشان می دهد که تمام میانگین ضریب همبستگی E C [S ، S ′] مثبت است ، نشان می دهد که هر پنج متغیر حسابداری مهم با همبستگی مثبت دارند. از این نتایج ، ما شبکه غیرمجاز را برای رابطه همبستگی بین پنج ترسیم می کنیم

نتیجه

مطالعات قبلی در مورد ضرایب همبستگی در داده های مالی در مورد همبستگی بین دو متغیر اما نه جهت آنها [2] ، [4] ، [5] ، [6] ، [7] ، [8]. با این حال ، ما توانستیم جهت گیری بین متغیرها در داده های صورت مالی را که نمی توانند توسط ضرایب همبستگی معمولی اسیر شوند ، ضبط کنیم.

در این مطالعه ، رویکرد همبستگی VC از جهت گیری بین پنج متغیر اصلی حسابداری پرده برداشت ، که دستیابی به استفاده از استاندارد دشوار است

بیانیه مشارکت در نویسندگی اعتباری

Tomoshiro Ochiai: مفهوم سازی ، روش شناسی ، نرم افزار ، اعتبار سنجی ، نوشتن. خوزه C. ناچر: روش شناسی ، نرم افزار ، اعتبار سنجی ، نوشتن.

اعلام علاقه رقیب

نویسندگان اعلام می كنند كه آنها هیچ منافع مالی رقیب یا روابط شخصی را كه به نظر می رسد بر اثر گزارش شده در این مقاله تأثیر می گذارد ، ندارند.

تصدیق

به. برای تحقیقات علمی تا حدی توسط یک JSPS ، کمک هزینه ژاپن کمک می کرد (شماره کمک مالی 15K01200).