پیش ‏بینی ورشکستگی شرکت‏ها با استفاده از ترکیب مدل‏های داده‏ کاوی مبتنی بر جریمه دسته‏ بندی نادرست

مهندسی مالی و مدیریت اوراق بهادار

مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از تاریخ 01 مرداد 1402

نوع مقاله: مقاله پژوهشی

نویسندگان

عطیه ترکمن؛ امیرعباس نجفی^*

گروه مهندسی مالی، دانشکده مهندسی صنایع، دانشگاه صنعتی خواجه نصیرالدین طوسی، تهران، ایران

چکیده

یکی از ابزارهای قدرتمند در مسائل پیش‏بینی ورشکستگی که در دهه‏های اخیر مورد توجه بسیاری از سرمایه‏گذاران، مدیران و محققان قرارگرفته ‏است؛ داده‏کاوی و به طور خاص ماشین بردار پشتیبان است. اما مطالعات نشان می‏دهد این روش نسبت به انتخاب پارامترها و متغیرهای ورودی از حساسیت بالایی برخوردار است. لذا هدف از تحقیق حاضر ترکیب مدل توسعه یافته ماشین بردار پشتیبان و k-نزدیکترین همسایه جهت حذف ورودی‏های دارای خطا و متعاقبا افزایش دقت پیش‏بینی ورشکستگی است. به‏ این منظور ابتدا با استفاده از 5 نسبت مالی شامل نسبت جاری، حاشیه سود خالص، نسبت بدهی، بازده دارایی‏ها و بازده سرمایه مرتبط به 150 شرکت‏ حاضر در بورس اوراق بهادار تهران در بازه 10 ساله 1389-1398و الگوریتم k-نزدیکترین همسایگی داده‏های آموزش پالایش شده و سپس با تکیه بر ماشین بردار پشتیبان مبتنی بر جریمه دسته‏بندی، جهت ساخت مدل پیش‏بینی به کار گرفته می‏شوند. پس از برآورد پارامترهای بهینه، اعتبارسنجی مدل با استفاده از داده‏های آزمایش صورت خواهد گرفت. در نهایت نتایج بدست آمده از مدل‏ پیشنهادی و مدل‏های کلاسیک مورد مقایسه قرار خواهدگرفت. نتایج نشان می‏دهد با ترکیب مدل‏های k-نزدیکترین همسایه و ماشین بردار پشتیبان خطای کلی پیش‏بینی کاهش یافته و ضرایب جریمه ماشین بردار پشتیبان با سطح احتمال بالایی معنادار هستند.

کلیدواژه‌ها

پیش‏بینی ورشکستگی؛ داده‏کاوی؛ ماشین بردار پشتیبان؛ k-نزدیکترین همسایه؛ ضرایب جریمه

مراجع