تحلیل تأثیر یادگیری ماشین بر بهبود پیش‌بینی جریان‌های نقدی شرکت‌ها: رویکردی ترکیبی کیفی-کمی

چکیده

پیش‌بینی جریان‌های نقدی دقیق یکی از مهم‌ترین چالش‌های مدیریت مالی در شرکت‌هاست که بهبود آن می‌تواند منجر به کاهش ریسک‌های مالی و افزایش کارایی در تصمیم‌گیری‌های اقتصادی شود. در سال‌های اخیر، الگوریتم‌های یادگیری ماشین به عنوان ابزاری کارآمد برای مدل‌سازی و پیش‌بینی جریان‌های نقدی معرفی شده‌اند. در این پژوهش، یک رویکرد ترکیبی کیفی-کمی به کار گرفته شده است. ابتدا در بخش کیفی، مصاحبه‌های نیمه‌ساختاریافته با ۲۵ مدیر مالی شرکت‌های پذیرفته‌شده در بورس اوراق بهادار تهران انجام شد تا مهم‌ترین چالش‌ها و مزایای استفاده از یادگیری ماشین در این حوزه شناسایی شود. سپس، در بخش کمی، داده‌های مالی ۵۰ شرکت بورسی طی بازه زمانی ۲۰۱۵ تا ۲۰۲۴ جمع‌آوری و با استفاده از روش‌های رگرسیون خطی، شبکه‌های عصبی مصنوعی و مدل‌های تقویتی مانند XGBoost تحلیل شد. یافته‌های تحقیق نشان داد که الگوریتم‌های یادگیری ماشین توانایی بهبود دقت پیش‌بینی جریان‌های نقدی را نسبت به مدل‌های سنتی دارند. با این حال، چالش‌هایی مانند پیچیدگی الگوریتم‌ها، نیاز به داده‌های حجیم و مسائلی نظیر شفافیت مدل‌ها می‌تواند مانع از پذیرش گسترده این فناوری در شرکت‌ها شود. این پژوهش پیشنهادهایی برای تسهیل پیاده‌سازی یادگیری ماشین در پیش‌بینی جریان‌های نقدی ارائه می‌دهد که می‌تواند به مدیران مالی و سرمایه‌گذاران در اتخاذ تصمیمات بهینه کمک کند.