تعیین روش بهینه پیش بینی درماندگی مالی شرکت ها (مطالعه موردی: شرکت های بورس اوراق بهادار تهران)
الموضوعات :
دانش سرمایهگذاری
منصور صوفی
1
,
مهدی همایون فر
2
,
مهدی فدایی
3
1 - استادیار گروه مدیریت صنعتی، واحدرشت، دانشگاه آزاداسلامی، رشت، ایران
2 - استادیار گروه مدیریت صنعتی، واحدرشت، دانشگاه آزاداسلامی، رشت، ایران
3 - استادیار گروه مدیریت صنعتی، واحدرشت، دانشگاه آزاداسلامی، رشت، ایران
تاريخ الإرسال : 21 السبت , ذو الحجة, 1439
تاريخ التأكيد : 11 السبت , صفر, 1440
تاريخ الإصدار : 06 السبت , ربيع الثاني, 1442
الکلمات المفتاحية:
پیشبینی,
درماندگی مالی,
شبکه عصبی مصنوعی,
الگوریتم ژنتیک,
ملخص المقالة :
یکی از مهم‌ترین موضوعات مطرح در حوزه مدیریت مالی، آن است که سرمایه‌گذاران فرصت‌های مطلوب سرمایهگذاری را از فرصت‌های نامطلوب تشخیص دهند. در راستا، یکی از راه‌های کمک به سرمایه‌گذاران ارائه‌ی مدلهای پیشبینی درماندگی مالی شرکتها است. با توجه به مطالعات مختلفی که برای توسعه این دسته از مدل‌ها انجام گرفته‌اند، در پژوهش حاضر از ترکیب تکنیک‌های شبکه عصبی مصنوعی و الگوریتم ژنتیک بر مبنای نسبت‌های پیشبینی زیمنسکی برای مدل‌سازی پیش-بینی درماندگی مالی استفاده شده است. جامعه آماری تحقیق، شامل شرکتهای سهامی عام حاضر در بورس اوراق بهادار تهران است که طی دوره زمانی مهر 1392 تا مهر 1394 در بورس فعالیت داشته‌اند که از میان آنها، 66 شرکت درمانده و 150 شرکت سالم با روش غربال‌سازی به‌عنوان نمونه انتخاب شده‌اند. نتایج نشان می‌دهند که شبکه عصبی و الگوریتم ژنتیک در پیشبینی درماندگی مالی از قدرت برابر (95 درصد) برخوردارند، با این وجود، خطای پیشبینی در شبکه عصبی در مقایسه با الگوریتم ژنتیک پایین‌تر است.
المصادر:
رستمی، محمدرضا، فلاح شمس لیالستانی، میرفیض و اسکندری، لاله. (1390). "ارزیابی درماندگی مالی شرکتهای پذیرفتهشده در بورس اوراق بهادار تهران: مطالعه مقایسه‌ای بین تحلیل پوششی داده‌ها و رگرسیون لجستیک". پژوهش‌های مدیریت در ایران، 15، 129-147.
طالبنیا، قدرتاله، جهانشاد، آزیتا، پورزمانی، زهرا، (1388). "ارزیابی کارایی متغیرهای مالی و متغیرهای اقتصادی در پیشبینی بحران مالی شرکتها (مورد مطالعه شرکتهای پذیرفته در بورس اوراق بهادار تهران)". بررسیهای حسابداری و حسابرسی، 16، 67-84.
کردستانی، غلامرضا، تاتلی، رشید، کوثری، حمید. (1393). "ارزیابی توان پیشبینی مدل تعدیل شده آلتمن از مراحل درماندگی مالی نیوتن و ورشکستگی شرکتها". دانش سرمایهگذاری، 9، 83-99.
کمیجانی، اکبر، سعادت فر، جواد. (1385). "کاربرد مدلهای شبکه عصبی در پیشبینی ورشکستگی اقتصادی شرکتهای بازار بورس". جستارهای اقتصادی، 6، 11-44.
محسنی، رضا، آقا بابایی، رضا، محمدقربانی، وحید، (1392). "پیشبینی درماندگی مالی با بکار بردن کارایی به عنوان یک متغیر پیشبینیکننده". پژوهشها و سیاستهای اقتصادی، 65، 123-146.
واعظ قاسمی، محسن، رمضانپور چهارده، سعید. (1397). "پیشبینی ورشکستگی شرکتهای پذیرفته شده در سازمان بورس و اوراق بهادار با استفاده از شبکه عصبی مصنوعی". دانش سرمایهگذاری، 27، 277-296.
Altman, E. I. (1968). “Financial ratios, discriminant analysis and the prediction of corporate bankruptcy”. Journal of Finance, 23, 589-609.
Beaver, W. H. (1966). “Financial ratios as predictors of failure”. Journal of Accounting Research, 4, 71–111.
Brockett, P. L., Golden, L. L. Jang, J., & Yang, C. C. (2006). “A comparison of neural network, statistical methods and variable choice for life insurers’ financial distress prediction". Journal of Risk & Insurance, 7, 397–419.
Chen, W. S., & Du, Y. K. (2009). “Using neural networks and data mining techniques for the financial distress prediction model”. Expert Systems with Applications, 36, 4075-4086.
Chen, J. H. (2012). Developing SFNN models to predict financial distress of construction companies. Expert Systems with Applications, 39, 823-827.
Choi, H., Son, C., & Kim, C. (2018). “Predicting financial distress of contractors in the construction industry using ensemble learning”. Expert Systems with Applications, 110, 1-10.
Cleofas-Sánchez, L., García, V., Marqués, A. I., & Sánchez, J. S. (2016). “Financial distress prediction using the hybrid associative memory with translation”. Applied Soft Computing, 44, 144–152.
Erdogan, B. E. (2013). “Prediction of bankruptcy using support vector machines: anapplication to bank bankruptcy”. Journal of Statistical Computation and Simulation, 83, 1543–1555.
Geng, R. B., Bose, I., & Chen, X. (2015). “Prediction of financial distress: An empirical study of listed Chinese companies using data mining”. European Journal of Operational Research, 241, 236-247.
Jayasekera, R. (2018). “Prediction of company failure: Past, present and promising directions for the future”. International Review of Financial Analysis, 55, 196-208.
Koyuncugil, A., & Ozgulbas, N. (2012). “Financial early warning system model and data mining application for risk detection”. Expert Systems with Applications, 39, 6238-6253.
Li, Z., Crook, J., & Andreeva, G. (2017). “Dynamic prediction of financial distress using malmquist DEA”. Expert Systems with Applications, 80, 94-106.
Liang, D., Tsai, C. F., & Wu, H. T. (2015). “The effect of feature selection on financial distress prediction”. Knowledge based systems, 73, 289-297.
Lin, T. H. (2009). “A cross model study of corporate financial distress prediction in Taiwan: Multiple discriminant analysis, logit, probit and neural networks models”. Neurocomputing, 72, 3507–3516.
Lin, F., Liang, D., Yeh, C. C., & Huang, J. C. (2014). “Novel feature selection methods to financial distress prediction”. Expert Systems with Applications, 41, 2472–2483.
Mousavi, M. M., Ouenniche, J., & Xu, B. (2015). “Performance evaluation of bankruptcy prediction models: An orientation-free super-efficiency DEA-based framework”. International Review of Financial Analysis, 42, 64–75.
Mselmi, N., Lahiani, A., & Hamza, T. (2017). “Financial distress prediction: The case of French small and medium-sized firms”. International Review of Financial Analysis, 50, 67-80.
Newton, G. W. (1998). “Bankruptcy insolvency accounting practice and procedure”. New Jersey, John Wiley & Sons Inc.
Ninh, B. P. V., Thanh, T. D., & Hong, D. V. (2018). “Financial distress and bankruptcy prediction: An appropriate model for listed firms in Vietnam”. Economic Systems, (In Press).
Premachandra, I. M., Chen, Y., & Watson, J. (2011). “DEA as a tool for predicting corporate failure and success: A case of bankruptcy assessment”. Omega, 39, 620–626.
Ravi, V., Kurniawan, H., Thai, P. N. K., & Kumar, P. R. (2008). “Soft computing system for bank performance prediction”. Applied Soft Computing, 8, 305–315.
Sayari, N., & Mugan, C. S. (2017). “Industry specific financial distress modeling”. Business Research Quarterly, 20, 45-62.
Sun, J., He, K. Y., & Li, H., (2011). “SFFS-PC-NN optimized by genetic algorithm for dynamic prediction of financial distress with longitudinal data streams”. Knowledge based systems, 24, 1013–1023.
Sun, J., & Li, H. (2008). “Data mining method for listed companies' financial distress prediction”. Knowledge based systems, 21, 1-5.
Sun, J., & Li, H. (2009). “Financial distress early warning based on group decision making”. Computers & Operations Research, 36, 885–906.
Tinoco, M. H., & Wilson, N. (2013). “Financial distress and bankruptcy prediction among listed companies using accounting, market and macroeconomic variables”. International Review of Financial Analysis, 30, 394-419.
Wang, G., Chen, G., & Chu, Y. (2018). “A new random subspace method incorporating sentiment and textual information for financial distress prediction”. Electronic Commerce Research and Applications, 29, 30-49.
Wang, G., Ma, J., & Yang, S. (2014). “An improved boosting based on feature selection for corporate bankruptcy prediction”. Expert Systems with Applications, 41, 2353-2361.
Wanke, P., Barros, C. P., & Faria, J. R. (2014). “Financial distress drivers in Brazilian banks: A dynamic slacks approach”. European Journal of Operational Research, 240, 258-268.
Xiao, Z., Yang, X., Pang, Y., & Dang, X. (2012). “The prediction for listed companies’ financial distress by using multiple prediction methods with rough set and Dempster–Shafer evidence theory”. Knowledge-Based Systems, 26, 196–206.
Zhang, X., & Hu, L., (2016). “A nonlinear subspace multiple kernel ledarning for financial distress prediction of Chinese listed companies”. Neurocomputing, 177, 636-642.
Zhou, L., Lai, K. K., & Yen, J. (2012). “Empirical models based on features ranking techniques for corporate financial distress prediction”. Computers and Mathematics with Applications, 64, 2484–2496.
Zhou, L. G., Lu, D., & Fujita, H. (2015). “The performance of corporate financial distress prediction models with features selection guided by domain knowledge and data mining approaches”. Knowledge-Based Systems, 85, 52-61.
_||_
