انتخاب سبد بهینه سهام با بکارگیری اطلاعات حسابداری، اطلاعات مبتنی برارزش و اطلاعات کارت ارزیابی متوازن -مورد مطالعه: شرکت‌های پذیرفته شده در بورس اوراق بهادار تهران

نوع مقاله: مقاله پژوهشی

نویسندگان

1 دانشجوی دکتری حسابداری

2 دانشیار گروه حسابداری

3 استادیار گروه مدیریت

چکیده

هدف پژوهش حاضر تدوین مدل جامع سبد بهینه سهام با استفاده از تحلیل اطلاعات حسابداری، اطلاعات مبتنی بر ارزش و اطلاعات کارت ارزیابی متوازن است. جامعه آماری پژوهش شرکت‌های پذیرفته شده در بورس اوراق بهادار تهران در بازه زمانی 1386 تا 1396 می‌باشد. در راستای دستیابی به اهداف پژوهش برای تشکیل سبد بهینه سهام از رویکرد کاهش ابعاد و روش‌های تحلیل پوششی داده‌ها و ماشین بردار پشتیبان و الگوریتم‌های خوشه‌بندی استفاده گردید. مدل فوق در چهار مرحله باز اجرا گردید و در هر مرحله علاوه بر مولفه ریسک و بازده، معیارهای حسابداری، معیارهای مبتنی بر ارزش و معیارهای مالی و سپس غیرمالی کارت ارزیابی متوازن به عنوان ورودی مدل تهیه پرتفوی به صورت مرحله به مرحله مورد استفاده قرار گرفت. یافته‌های حاصل از پژوهش حاکی از آن است که معیارهای مورد استفاده در پژوهش در تهیه سبد بهینه سهام دارای محتوای اطلاعاتی بوده و اضافه شدن هر دسته معیار منجر به افزایش مطلوبیت سبد سهام می‌گردد. این محتوای اطلاعاتی در مورد کارت ارزیابی متوازن چشمگیرتر نیز می‌باشد. به طور کلی به کارگیری همزمان روش‌های ترکیبی بهینه‌سازی و معیارهای جامع استخراج شده از گزارش‌های مالی سبد سهام بهینه‌تر و مطلوبیت بیشتر نسبت به ریسک و بازده ادبیات مارکویتز را به همراه داشت.

کلیدواژه‌ها


آذر، عادل؛ خسروانی، فرزانه و جلالی، رضا (1392). کاربرد تحلیل پوششی داده‌ها (DEA) در تعیین پرتفوی‌ای از کارآمدترین و ناکارآمدترین شرکت‌های حاضر در بورس اوراق بهادار تهران. پژوهش‌های مدیریت در ایران، 17(1)، ۱-۱۹.

خاک‌بیز، مسلم؛ رضایی پندری، عباس و دهقان نیری، محمود (1396). طراحی مدل ریاضی متنوع‌سازی سبد سهام و حل آن با استفاده از الگوریتم ژنتیک. چشمانداز مدیریت صنعتی، 7(1)، 173-196.

خواجوی، شکرا...؛ سلیمی فرد، علیرضا و ربیعه، مسعود (1384). کاربرد تحلیل پوششی داده‌ها (DEA) در تعیین پرتفوی از کاراترین شرکت‌های پذیرفته‌شده در بورس اوراق بهادار تهران. علوم اجتماعی و انسانی دانشگاه شیراز، 22(2)، ۷۵-۸۹.

راعی، رضا (1381). تشکیل سبد سهام برای سرمایه‌گذار مخاطره‌پذیر (مقایسۀ شبکه عصبی و مارکویتز). پیام مدیریت، 2(2)، ۷۶-۹۶.

سینایی، حسنعلی و گشتاسبی مهارلویی، رسول (1391). ارزیابی کارایی و عملکرد نسبی شرکت‌ها با رویکرد تحلیل پوششی داده‌ها به‌منظور تشکیل سبد سهام. دانش حسابداری، 3(11). ۱۰۵-۱۳۲.

صفوی مبرهن، نفیسه سادات؛ جعفری، غلامرضا و سعیدی، علی (1397). طراحی سبد سهام با قابلیت پیروی از بازده بازار با استفاده از رویکرد نظریه ماتریس‌های تصادفی. مهندسی مالی و مدیریت اوراق بهادار، 34، ۶۹-83.

عارفی، اصغر و دادرس، عباس (1390). پیش‌بینی بازده سهام با استفاده از استراتژی تحلیل بنیادی. بررسی‌های حسابداری و حسابرسی، 18(65)، ۷۹-۹۸.

عباسی، ابراهیم و مهرانی، کیارش (1388). بررسی رابطه رتبه‌بندی بر اساس متغیرهای بنیادی و بازده سهام در بورس تهران. مدیریت و پیشرفت، 16(3)، ۷۱-۹۰.

فقیهی نژاد، محمدتقی و مینایی، بهروز (1397). پیش‌بینی رفتار بازار سهام بر اساس شبکه‌های عصبی مصنوعی با رویکرد یادگیری جمعی هوشمند. مدیریت صنعتی، 10(2)، 315-334.

مهرانی، کاوه و تحریری، آرش (1390). رتبه‌بندی شرکت‌ها بر اساس شاخص‌های مالی و بررسی رابطه آن با بازده سهام در بورس اوراق بهادار تهران. دانشور رفتار مدیریت و پیشرفت، 9(50)، 51-70.

نمازی، محمد و غفاری، محمدجواد (1394). بررسی اهمیت و نقش اطلاعات توانایی مدیران و نسبت‌های مالی به‌عنوان معیاری در انتخاب سبد بهینه سهام در شرکت‌های پذیرفته‌شده در بورس اوراق بهادار تهران (با استفاده از تحلیل پوششی داده‌ها). فصل‌نامه حسابداری مالی، 7(26)، ۱-۳۰.

نمازی، محمد و منصوری، ابراهیم (1385). بررسی تجربی دورۀ گردش وجه نقد و تجزیه‌وتحلیل نقدینگی شرکت‌های بورس اوراق بهادار تهران. دانش و پژوهش حسابداری، 7، 16-23.

نمازی، محمد و غلامی، رضا (1395). تدوین الگوی تصمیم‌گیری چندشاخصی رتبه‌بندی شرکت‌های پذیرفته‌شده در بورس اوراق بهادار تهران با استفاده از اطلاعات حسابداری، ارزیابی متوازن و تکنیک پاپریکا. دانش حسابداری، 27(4)، ۷-۳۳.

یحیی‌زاده‌فر، محمود؛ صفایی قادیکلایی، عبدالحمید و خاکپور، مهدی (1390). مقایسۀ مدل‌های تشکیل پرتفوی سهام مبتنی بر تصادفی و تصادفی فازی بودن بازده مورد انتظار در بورس اوراق بهادار تهران. پیشرفت‌های حسابداری، 1(60)، ۱۷۱-۱۹۶.

ب. انگلیسی

Abbasi, A. & Mehrani, K. (2009), Investigation of ranking relationship based on fundamental Variables and stock returns in Tehran Stock Exchange. Journal of Management and Progress, 16 (3): 90-71.

Alexander, G. J., Batista, A. M. & Yan, S. (2019). Portfolio selection with mental accounts and estimation risk. Journal of Empirical Finance, 41(3), 161-186.    

Arefi, A. Justice, A. (2011). Forecasting Stock Returns Using Fundamental Analysis Strategy. Accounting and Auditing Reviews, 18 (65), 79-98.

Arefi, A. & Dadras, A. (2011). Forecasting stock returns using fundamental analysis strategy. Accounting and Auditing Reviews, 18 (65), 79-98.

Azar, A., Khosravani, F., &  Jalali, R. (2013). Application of data envelopment analysis (DEA) in determining the portfolios of the most efficient and inefficient companies in Tehran Stock Exchange. Management Studies in Iran, 17 (1), 19-1.

Ben Abdelaziz, F., Aouni, B. & Fayedh, R. E. (2007). Multi-objective stochastic programming for portfolio selection. European Journal of Operational Research, 4(177). 1811-1823.

Cevikalp, H. (2010). New clustering algorithm for the support vector machine based hierarchical classification. Pattern Recognition Letters, 31(18), 1285-1291.

Demerjian, P. R., Lev, B., Lewis, M. F., & McVay, S. E. (2012). Managerial ability and earnings quality. The Accounting Review88(2), 463-498.

Dia, M. (2009). A portfolio selection methodology based on data envelopment analysis.  INFOR. 47 (1), 71-79.

Edirisinghe, N. C. P. & Zhang, X. (2008). Portfolio selection under DEA-based relative financial strength indicators: Case of US industries. Journal of the Operational Research Society. 4(59), 842-856.

Faghihinejad, M. T., & Minai, B. (1979). Predicting stock market behavior based on artificial neural networks with intelligent collective learning approach. Industrial Management, 10 (2): 315-334.

Halkos, G. E., & Salamouris, D. S. (2004). Efficiency measurement of the Greek commercial banks with the use of financial ratios: A data envelopment analysis approach. Management Accounting Research, 15)2(, 201-224.

He, X., Wng, Z., Jin, C., & Zheng, Y. (2012). A simplified multi-class support vector machine with reduced dual optimization. Pattern Recognition Letters, 33(6), 71-82.

Horngren, C. T., Datar, S. D., & Rajan, M. V. (2012). Cost accounting: A managerial emphasis (14th ed). New Jersey: Pearson Prentice Hall.

Hoque, Z., & James, W. (2000). Linking balanced scorecard measures to size and market factors: impact on organizational performance. Journal of Management Accounting Research, 12(1), 1-17.

Kaplan, R. S., & Norton, D. P. (1996). The strategy-focused organization: How balanced scorecard companies survive in the new business environment, Boston, MA: Harvard Business School Press.

Khakbiz, M., Rezaei Pendari, A., & Dehghan Nayyeri, M. (1396). Designing a mathematical model of portfolio portfolio diversification and solving it using genetic algorithm. The Perspective of Industrial Management, 7 (1), 173-196.

Khajavi, S., Salimifard, A., & Rabia, M. (2005). Application of data envelopment analysis (DEA) in determining the portfolio of the most listed companies in Tehran Stock Exchange. Social and Human Sciences of Shiraz University, 22 (2), 75-89.

Kocadagli, Ozan, & Ridvan Keskin (2015). A novel portfolio selection model based on fuzzy goal programming with different importance and priorities. Expert Systems with Applications, 42(20), 6898-6912.

Lim, Sungmook, Oh, Kwang Wuk, & Joe Zhu (2014). Use of DEA cross-efficiency evaluation in portfolio selection: An application to Korean Stock Market. European Journal of Operational Research, 236(1), 361-368.

Liu, Wenbin, Zhou, Zhongbao, Liu, Debin, & Helu Xiao (2015). Estimation of portfolio efficiency via DEA. Omega, 52 (1), 107-118.

Lopez, A., Lanzer, E., Lima, M., & DaCosta, N. (2008). DEA investment strategy in the Brazilian Stock Market. Economics Bulletin, 13(2), 1-10.

Powers, J., & MacMilan, P. (2000). Using data envelopment analysis to select efficient market cap securities. Journal of Business and Management, 7(2), 31-42.

Pulic, A. (2000). VAIC-An accounting tool for IC management. International Journal of Technology Management, 20(5-8), 702-714.

Pulic, A. (2004). Intellectual capital-does it create or destroy value? Measuring Business Excellence, 8(1), 6-_68.

 Raei, R. (2002). Forming a portfolio for a venture capitalist (comparing neural network and Markowitz). Management Message, 2 (2), 96-76.

Ratnasingam, P. (2009). Service quality management applying the balanced scorecard: An exploratory study. International Journal of Commerce and Management, 19(2), 127-136.

Safavi Mobarhan, N., Jafari, G., & Saeedi, A. (1977). Designing a portfolio of stocks with ability to follow market returns using random matrix theory approach. Financial Engineering and Securities Management, 34: 69-83.

Sinai, H. A., &  Maharloui Goshtasbi, R. (2012). Evaluating companies' relative performance and performance using data envelopment analysis approach to form portfolio. Journal of Accounting Knowledge, 3 (11). 132-105.

Song, Irene (2014). New quantitative approaches to asset selection and portfolio construction. PhD Dissertation, Columbia University.

Vapnik, V. (1998). Statistical learning theory.Wiley: New York.

Yalcin, N., Bayrakdaroglu, A., & Kahraman, C. (2012). Application of fuzzy multi-criteria decision-making methods for financial performance evaluation of Turkish manufacturing industries. Expert Systems with Applications, 39(1), 350-364.

Yahyazadehfar, M., Safaie Ghadikolaie, A., & Khakpour, M. (2011). Comparison of models of formation of random and fuzzy random-based stock portfolios of expected returns in Tehran Stock Exchange. Advances in Accounting, 1 (60), 196-171.

Zhang, W. G. & Nie, Z. K. (2004). On admissible efficient portfolio selection problem. Applied Mathematics and  Computation, 159 (2), 357-371.