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 دانشگاه اصفهان

2 دانشیار گروه حسابداری دانشگاه اصفهان

3 دانشیار گروه مدیریت دانشگاه اصفهان

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


عنوان مقاله [English]

Selection of optimal stock portfolios using accounting information, value-based information and balanced scorecard information. - Study: Companies listed in Tehran

نویسندگان [English]

  • Hasan Fattahi nafchi 1
  • Mehdi Arabsalehi 2
  • Majid Esmaelian 3
1 phd accounting student
2
3
چکیده [English]

  The purpose of the present study is to develop a comprehensive optimal portfolio model using accounting information analysis, value-based information and balanced scorecard information. The statistical population of the research is the companies listed in Tehran Stock Exchange during the period 2007-2017. In order to achieve the objectives of the research, the formulation of dimensionality reduction, data envelopment analysis methods, backing vector machines, and clustering algorithms were used. The above model was implemented in four steps and in each step besides risk and return component, accounting criteria, value based criteria and financial criteria and then non-financial balanced scorecard were used as input step by step portfolio model.  The findings of the research indicate that the criteria used in the research for optimizing the portfolio of stocks have informational content and the addition of each set of criteria leads to an increase in the efficiency of the portfolio. This information content of the balanced scorecard is even more impressive. Overall, the simultaneous application of hybrid optimization methods and comprehensive benchmarks extracted from financial reports resulted in a more optimized portfolio and higher risk-taking and Markovitz literature returns.
* Corresponding author:
 Mehdi Arab Salehi
Associate Professor of Accounting, Esfahan University, Iran.
                           
1- Introduction
One of the main goals of accounting is providing information for use in investment decisions. The discovery of the value of information provided by accounting systems is one of the major axes of empirical studies in the field of financial and accounting knowledge. Given the constraints on investment resources, if investors invest all their resources in a particular asset, they will increase the risk of losing their resources, which is not, in their view, desirable. Therefore, the main problem for investors is the determination of a set of securities that leads to maximization of wealth. This also leads to the selection of the optimal stock portfolio from a set of stock portfolios in order to maximize the benefits to shareholders. The effective components of choosing the optimal stock portfolio are two main factors: the criteria used in stock portfolios and the approach of choosing stock portfolios. In this research, we focus on choosing the optimal portfolio based on a comprehensive model including accounting information, value-based information and balanced scorecard information and a dimensionality reduction approach.
 
2- Research Question
Is it possible to use a comprehensive set of analysis of accounting information, value-based information and a balanced scorecard information, and using the Dimension Reduction Approach to create an optimal stock portfolio model, so that this model would increase shareholders' returns?
 
3- Methods
The research methodology is a quantitative research that uses the scientific method and empirical evidence, and based research designs is done. The empirical data was collected from a panel consisting of 103 Iranian companies listed in TSE, over the seven-year period of 2007 to 2017. The criteria used in this study are accounting information, value-based information and balanced scorecard information. In order to achieve the research goals and to create optimal stock portfolios, we used Data Envelopment Analysis, Support Vector Machine and Anomaly Clustering algorithms. The above method was implemented in four stages. At each stage, in addition to the risk and return components, we used accounting information, value-based information and balanced scorecard information as a step-by-step portfolio input.
 
4- Results
The findings of the research indicate that the criteria used in the research to provide the stock portfolio are informative and adding each category of criteria will lead to an increase in the utility of the stock portfolio. In addition, this in formativeness has increased significantly with the balanced scorecard. Generally, the simultaneous use of hybrid optimization techniques and comprehensive criteria derived from the financial stock portfolios were more optimal and more favorable than the risk and efficiency of the Markovitz literature.
 

 
 

کلیدواژه‌ها [English]

  • Optimal Stock Portfolios
  • Accounting Information
  • Value-Based Information
  • Balanced Scorecard
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.