طراحی مدل پیش بینی ورشکستگی مالی شرکت های پذیرفته شده در بورس اوراق بهادار تهران با استفاده از شبکه های عصبی مصنوعی و مقایسه آن با مدل رگرسیون لوجیت
محورهای موضوعی : فصلنامه تحلیل بازار سرمایه
فرهاد سنچولی
1
(گروه مهندسی صنایع، واحد علی آباد کتول، دانشگاه آزاد اسلامی، علی آباد کتول، ایران)
کلید واژه: شبکه عصبی مصنوعی, رگرسیون لوجیت, پیش‌بینی ورشکستگی مالی,
چکیده مقاله :
با توجه به نگرانی‌هایی که سرمایه‌گذاران از بازگشت اصل و سود سرمایه دارند و پیامدها و هزینه‌هایی که وقوع ورشکستگی برای شرکت‌ها و اقتصاد کشور و سایر افراد و نهادها می‌تواند ایجاد نماید، طراحی یک مدل قابل اطمینان جهت پیش‌بینی احتمال وقوع ورشکستگی شرکت‌ها برای راهنمایی برای تصمیم‌گیرندگانی همچون شرکت-های سرمایه‌گذاری، بانک‌ها و دولت ضروری به نظر می‌رسد. در این پژوهش از روش شبکه عصبی مصنوعی و روش رگرسیون لوجیت جهت پیش‌بینی ورشکستگی تعدادی از شرکت‌های پذیرفته شده در بورس اوراق بهادار تهران طی سال‌های 1395 تا 1399 استفاده شده و نتایج با روش رگرسیون لوجیت مقایسه شده است. میزان دقت کلی پیش‌بینی روش شبکه عصبی مصنوعی برای هریک از سال-های t، t-1، t-2 و t-3 به ترتیب برابر با 55/96 % ، 55/96 % ،24/92 % و 24/92 % و برای روش رگرسیون لوجیت برای همین سال‌ها به ترتیب 94% ، 82/94% ، 51/90% و 06/87% می‌باشد که نشان داد روش شبکه عصبی مصنوعی از دقت بالاتری نسبت به روش رگرسیون لوجیت برخوردار می باشد. لذا می توان نتیجه گرفت که روش شبکه عصبی مصنوعی ابزار مناسب‌تری برای پیش‌بینی ورشکستگی شرکت‌ها در اختیار قرار می‌دهد.
Considering the concerns that investors have about the return of principal and capital gains and the consequences and costs that bankruptcy can cause for companies and the country's economy and other individuals and institutions, the design of a reliable model In order to predict the probability of bankruptcy of companies, it seems necessary to guide decision makers such as investment companies, banks and the government.In this research, the artificial neural network method and the logit regression method were used to predict the bankruptcy of a number of companies admitted to the Tehran Stock Exchange during the years 2015 to 2019, and the results were compared with the logit regression method. The overall prediction accuracy of the artificial neural network method for each of the years t, t-1, t-2 and t-3 is equal to 96.55%, 96.55%, 92.24% and 24/2 respectively. 92% and for the logit regression method for the same years, it is 94%, 94.82%, 90.51% and 87.06% respectively, which showed that the artificial neural network method has a higher accuracy than the logit regression method. is. Therefore, it can be concluded that the artificial neural network method provides a more appropriate tool for predicting the bankruptcy of companies.
_||_