بررسی مقایسه دقت پیش بینی سیستم شبکه های عصبی مصنوعی بر مبنای رویکرد پرسپترون چندلایه و مدل باینری-لجستیک فالمر در راستای پیش بینی ورشکستگی

محورهای موضوعی : مهندسی مالی

سمیه ساروئی ¹ , حمیدرضا وکیلی فرد ² , قدرت اله طالب نیا ³

1 - گروه حسابداری، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران
2 - گروه حسابداری، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران
3 - گروه حسابداری، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران

تاریخ دریافت : 1400/09/21 تاریخ پذیرش : 1400/10/21 تاریخ انتشار : 1401/07/01

کلید واژه: پیش بینی ورشکستگی, شبکه عصبی مصنوعی, ریسک ورشکستگی, روش باینری-لجستیک,

چکیده مقاله :

تحلیل‌گران مالی و سایر استفاده‌کنندگان برای پیش‌بینی ورشکستگی شرکت‌ها نیاز به اطلاعات مربوط و قابل اتکا دارند که باید اطلاعات به صورت متقارن بین تمامی استفاده‌کنندگان توزیع گردد. بر همین اساس، هدف این پژوهش، بررسی مقایسه دقت پیش بینی سیستم شبکه های عصبی مصنوعی بر مبنای رویکرد پرسپترون چندلایه و مدل باینری-لجستیک فالمر در راستای پیش بینی ورشستگی است. برای آزمون فرضیه‌ها، از داده‌های ترکیبی 172 شرکت پذیرفته شده در بورس اوراق بهادار تهران در بازه زمانی 1385-1396 استفاده شد. یافته‌های حاصل از تجزیه و تحلیل داده‌های پژوهش نشان داد که سیستم شبکه‌های عصبی مصنوعی بر مبنای رویکرد پرسپترون چندلایه قادرند با دقتی معادل 98 درصد عوامل تاثیر گذار بر ورشکستگی شرکت‌های ایرانی را در سال قبل از ورشکستگی شناسایی نماید. یافته‌های حاصل از بررسی مدل باینری-لجستیک نشان داد که الگوی پیش‌بینی طراحی شده بر اساس روش رگرسیون فالمر قادر است با دقت 82 درصد ورشکستگی شرکتهای نمونه را مورد پیش‌بینی قرار دهد. لذا، استفاده از شبکه‌های عصبی مصنوعی می‌تواند با قدرت و دقت بیشتری ورشکستگی را نسبت مدل‌های رگرسیونی پیش‌بینی نماید

چکیده انگلیسی:

Financial analysts and other users need relevant and reliable information to predict corporate bankruptcy, which should be distributed symmetrically to all users. Accordingly, the purpose of this study is to compare the prediction accuracy of Artificial Neural Network (ANN) systems based on the Multilayer Perceptron Approach and Falmer Binary-Logistics Model in order to predict bankruptcy. To test the hypotheses, the combined data of 172 companies listed on the Tehran Stock Exchange in the period 2007-2016 were used. The results of the analysis of the research data show that the ANN system can identify of the factors affecting on bankruptcy of Iranian companies in the year before bankruptcy by Precision equal 98%. Findings from the binary-logistic model showed that the forecasting model designed based on the Falmer regression method is able to predict with 82% accuracy the bankruptcy of the sample companies. Therefore, the use of artificial neural networks can more powerfully and accurately predict bankruptcy than regression models.