.Application of Meta-Heuristic Algorithms in Predicting Financial Distress using intra-corporate (Financial and non-financial) and Economic Variables (Grasshopper Optimization and Ant Colony Algorithms)
Subject Areas :
Financial Economics
فریدون مرادی
1
(
گروه حسابداری، واحد تهران مرکزی، دانشگاه آزاد اسلامی، تهران، ایران
)
احمد یعقوب نژاد
2
(
گروه حسابداری، واحد تهران مرکزی، دانشگاه آزاد اسلامی، تهران، ایران
)
آزیتا جهانشاد
3
(
گروه حسابداری، واحد تهران مرکزی، دانشگاه آزاد اسلامی، تهران، ایران
)
Received: 2022-06-30
Accepted : 2023-03-05
Published : 2023-03-21
Keywords:
G17,
C61,
M41,
G33,
Grasshopper Optimization Algorithm (GOA),
keywords: Financial Distress,
Financial and Economic Variables,
Ant Colony Algorithm (ACO),
Multilayer Perceptron Artificial Neural Network (MLP). JEL classification codes: G1,
P44,
Abstract :
.
Abstract
The purpose of this study is investigating the capability of Grasshopper Optimization Algorithm (GOA) in more accurately predicting the financial distress by-using intra-corporate (financial and non-financial) and economic variables. The method of this research is improving the performance of the basic model of Multilayer Perceptron Artificial Neural Network (ANN-MLP) by-using a hybrid model with GOA (MLP-GOA) and Ant Colony Optimization Algorithm (MLP-ACO). The statistical research population of companies active in Tehran Stock Exchange during a 7-year period (from 1391 to 1397) included 476 companies, and finally, after systematic elimination, there were 289 qualified companies (including 2023 observation year-company). Checked and screened. The results showed the ability of ANN-MLP model to predict financial distress by-using financial and non-financial variables, and in addition the hybrid models (MLP-GOA and MLP-ACO) had been improved this ability. The accuracy of the MLP-GOA model for the year t, year t-1and year t-2 (before financial distress occurs), respectively are 97.30%, 94.53% and 91.30% that higher than the accuracy of the basic model and the hybrid MLP-ACO model. Although, entering the economic variables has increased the capability of all models significantly but the results showed that the financial distress is more affected by intra-corporate variables and the effect of economic variables has already been considered through the effect on financial events recorded in the accounting system. The results of this study can be used by company managers, banks and rating and credit institutions, insurance companies, financial analysts, investors and investment companies in assessing the risk of financial distress to make appropriate decisions and actions.
References:
فهرست منابع
ابراهیمی سرو علیا، محمد حسن، باباجانی، جعفر، آخوند، محمد رضا و فاخر، اسلام (1397)، ارائه الگویی برای پیشبینی پویای درماندگی مالی با استفاده از تحلیل بقاء. فصلنامه اقتصاد مقداری (بررسیهای اقتصادی سابق)، 15(3)، 167-198.
اسدزاده، پوریا و مرادی، مهدی(1393)، پیشبینی درماندگی مبتنی بر الگوریتم کاوش باکتری. پایاننامه کارشناسی ارشد، دانشگاه بین المللی امام رضا (ع).
ایزدی نیا، ناصر؛ کیانی، غلامحسین و میرزایی، مهدی (1394)، تاثیر ترکیبی ویژگیهای مراحل چرخه عمر شرکت بر عدم تقارن زمانی جریان نقدی عملیاتی. دانش حسابرسی. 15(59)، 57-76.
برگ بید، احمد، جعفری، علی و صالح نژاد، سید حسن (1400)، ارائه الگوی ترکیبی سه بعدی (مالی، اقتصادی، پایداری( در پیش بینی درماندگی مالی شرکتها، پژوهشهای حسابداری مالی و حسابرسی، 13 (51)، 105-131.
پورزمانی، زهرا و کلانتری، حسن (1392)، مقایسه قدرت پیشبینی بحران مالی توسط تکنیکهای مختلف هوش مصنوعی، پژوهشهای حسابداری مالی و حسابرسی، 5(17)، 33-64.
تقیزاده، حسن و همتفر، محمود (1394)، بررسی کاربرد الگوریتم بهینهسازی کلونی مورچگان پیوسته در پیشبینی ورشکستگی شرکتهای پذیرفته شده در بورس اوراق بهادار تهران، دانش حسابرسی، 15(59)، 64-50.
حاجی شاهوردی، دنیا، زمردیان، غلامرضا، فلاح شمس لیالستانی، میرفیض و حنیفی، فرهاد، (1398)، طراحی سیستم پیش هشداردهنده بحران بانکی نظاممند در بازار مالی ایران (با کاربرد زنجیرههای مارکوفی(، فصلنامه اقتصاد مالی، 13 (47)، 135-153.
حیدری سورشجانی، بهمن و قدرتی، حسن (1394)، مقایسه دقت روشهای رگرسیون گامبهگام، رگرسیون لجستیک و شبکه عصبی در پیشبینی بحران مالی شرکتهای پذیرفته شده در بورس تهران، پایاننامه کارشناسی ارشد، دانشگاه آزاد واحد کاشان.
خواجوی، شکراله و قدیریان آرانی، محمدحسین (1396)، نقش توانایی مدیریت در پیشبینی بحران مالی. پژوهشهای حسابداری مالی، 9(4)، 83-101.
رحیمی، حمید، مینویی، مهرزاد و فتحی، محمدرضا (1400)، تبیین متغیرهای مالی موثر در پیش بینی درماندگی مالی: کاربرد شبکه عصبی مصنوعی، نشریه صنعت لاستیک ایران، 25 (101)، 65-84.
رضایی، فرزین و نژاد تولمی، بابک (1393)، مقایسه الگوریتم مورچگان با روشهای تحلیل تمایزی چندگانه و لوجیت در پیشبینی درماندگی مالی. تحقیقات حسابداری و حسابرسی، 23(1)، 120-143.
سیف اللهی، ناصر (1397)، شناسایی مکانیزیم اثرگذاری مدیریت هموارسازی سود بر هزینه بدهی مالی در شرکتهای بورس اوراق بهادار تهران، فصلنامه اقتصاد مالی، 12 (42)، 181-199.
صفوی، سیدعلی اکبر؛ پور جعفریان، نرگس و صفوی، سیدعلی (1393)، بهینهسازی بر پایه الگوریتمهای فراابتکاری، تهران، انتشارات پژوهشگران نشر دانشگاهی، نوبت چاپ اول.
صوفی، منصور، همایون فر، مهدی و فدایی، مهدی، (1399)، تعیین روش بهینه پیشبینیدرماندگی مالی شرکتها (مطالعه موردی: شرکتهای بورس اوراق بهادار تهران)، فصلنامه دانش سرمایه گذاری، 9(35)، ۸۵ -۱۰۰.
طالبنیا، قدرت الله؛ جهانشاد، آزیتا و پورزمانی، زهرا (1388)، ارزیابی کارایی متغیرهای مالی و متغیرهای اقتصادی در پیشبینی بحران مالی شرکتها (موردمطالعه: شرکتهای پذیرفته در بورس اوراق بهادار تهران)، بررسیهای حسابداری و حسابرسی، 16(55)، 67-84.
غیور، فرزاد و مهرانی، ساسان (1396)، تبیین عوامل مالی و غیرمالی موثر بر پیشبینی درماندگی مالی و مقایسه توانایی مدلهای پارامتریک و ناپارامتریک، رساله دکتری حسابداری دانشگاه مازندران.
فلاحپور، سعید و ارم، اصغر (1395)، پیش بینی درماندگی مالی شرکتها با استفاده از الگوریتم کلونی مورچگان، تحقیقات مالی دانشکده مدیریت دانشگاه تهران، 18(2)،347-368 .
کردستانی، غلامرضا، تاتلی، رضا و رشیدی، حمید (1393). ارزیابی توان پیشبینی مدل تعدیلشده آلتمن از مراحل درماندگی مالی نیوتن و ورشکستگی شرکتها، فصلنامه علمی پژوهشی دانش سرمایهگذاری، 3(9)، 83-99.
کرزبر، بهرام و شاهوردیانی، شادی (1396)، آزمون شاخصهای هرفیندال- هیرشمن و کیوتوبین بر تحلیل ساختار سرمایه، کارایی و رقابت بازار محصول. فصلنامه علمی پژوهشی دانش سرمایه گذاری (انجمن مهندسی مالی ایران)، 6(23)، 283-298.
کمیته تدوین استانداردهای حسابداری و حسابرسی سازمان حسابرسی(1394). استانداردهای حسابرسی، تهران، انتشارات سازمان حسابرسی.
کیقبادی، امیررضا و خدامی، وحید، (1392)، دادهکاوی صورتهای مالی جهت اعطای تسهیلات مالی، پژوهشهای حسابداری مالی و حسابرسی، 5(17): 179-211.
محمدزاده، پرویز و جلیلیمرند، علیرضا (1391)، پیشبینی ورشکستگی بااستفاده از مدل لوجیت. تحقیقات مدلسازی اقتصادی، 3(8)، 1-21.
مرادی رامز، زهرا و سهرابی، شهلا (1397)، بررسی رابطه سهامداران نهادی به عنوان مالک و مدیر بردرماندگی مالی شرکتهای پذیرفته شده دربورس اوراق بهادارتهران، فصلنامه اقتصاد مالی، 12(44)، 87-102.
مهرآذین، علیرضا، زنده دل، احمد، تقی پور، محمد و فروتن، امید (1392)، شبکههای عصبی شعاعی آموزش یافته بر پایه متغیرهای مدلهای آماری و مقایسه آنها در پیشبینی ورشکستگی. فصلنامه علمی پژوهشی دانش سرمایهگذاری، 2(7)، 149-166.
مهرانی، ساسان و زارع زادگان، امید (1392)، کیفیت سود، ریسک ورشکستگی و جریان های نقد آتی. مجله بررسی های حسابداری و حسابرسی دانشکده مدیریت دانشگاه تهران، 20(1)، 93-112.
مومنی، منصور و فعال قیومی، علی (1394). تحلیلهای آماری با استفاده از SPSS. تهران، نشر مولف، چاپ هشتم.
میرزایی، حسین، فلیحی، نعمت و مشهدی، محمدرضا، (1391)، تاثیر نااطمینانی متغیرهای کلان اقتصادی (نرخ ارز و تورم) بر روی ریسک اعتباری مشتریان حقوقی بانک تجارت، فصلنامه اقتصاد مالی، 6(18)، 113-137.
میرعلوی، سید حسین و پورزمانی، زهرا و جهانشاد، آزیتا (1398)، ارائه مدلی مبتنی بر رفتار مالی سرمایهگذاران جهت پیشبینی قیمت سهام با استفاده از روشهای فراابتکاری شبکههای عصبی. فصلنامه بورس اوراق بهادار، 47(3)(12)،76-109.
نمازی، محمد و ابراهیمی، شهلا (1400)، پیشبینیدرماندگی مالی شرکتهای پذیرفته شده در فرابورس و بورس اوراق بهادار تهران با استفاده از ماشین بردار پشتیبان، مجله راهبرد مدیریت مالی، 1(32)، ۱۱۵ -۱۳۲.
نیکبخت، محمدرضا و بهادری، محمد مراد (1391)، کاربرد مدل آلتمن و لوالی با مدل لگالت و ورنانیو برای پیشبینی تداوم فعالیت و ورشکستگی شرکتهای پذیرفته شده در بورس اوراق بهادار تهران، فصلنامه علمی پژوهشی دانش سرمایه گذاری، 1(4)، 19-46.
وقفی، سید حسام، جوانشیری، حسین، اسکندری، آتنا و نوربخش حسینی، زینب (1401)، تحلیل محتوای درماندگی مالی، مطالعات حسابداری و حسابرسی ، 41 (1)، 65-84.
_||_
Acosta, E., Fernando, G., Fernandez, R. and Hicham, G. (2019). Predicting Corporate Financial Failure Using Macroeconomic Variables and Accounting Data. Computational Economics, 53(1), 227-257. (First Online: 6th Sep. 2016).
Al-Hadi, A., Chatterjee, B., Yaftian, A., Taylor, G. and Monzur Hasan, M. (2017). Corporate social responsibility performance, financial distress and firm life cycle: evidence from Australia. Accounting and Finance, Wiley Online Library, pp, 1-29. (https://doi.org/10.1111/acfi.12277).
Alifiah, M. Norfian, Norhana S. and Ismail Ahmad, (2013). Prediction of financial distress companies in the consumer products sector in Malaysia. Journal Sains Humanika, 64(1), 90-98.
Cladera, R., Oliver, A.M. and Fuster, B.P., (2021), Financial distress in the hospitality industry during the Covid-19 disaster, Tourism Management, 85(1),1-18.
Conner, M.C., (1974). On the Usefulness of Financial Ratios to Investors. Journal of Accounting Review, 49(3), 551-556.
Daubie, M and Meskens, N, (2002). Business failure prediction: a review and analysis of the literature. Working Paper, Department of Productions and Operations Management, Catholic University of Mons, Belgium, 1(1), 71-86.
DeAngelo, H., L. DeAngelo, and R. M. Stulz, (2006). Dividend policy and the earned/contributed capital mix: a test of the life-cycle theory. Journal of Financial Economics, 81(1), 227–254.
Dickinson, V., (2011). Cash flow patterns as a proxy for firm life cycle. The Accounting Review, 86(1), 1969–1994.
Fontaine, Felipe; Rezende, Roberto Marcos da Silva Montezano; Fernando Nascimento de Oliveira, Valdir de Jesus Lameira, (2017). Predicting financial distress in publicly-traded companies. Revista Contabilidade & Finanças, 28(75), 390-406.
Fosu, S., (2013). Capital structure, product market competition and firm performance: Evidence from South Africa. The Quarterly Review of Economics and Finance, 53(1), 140-151.
Hasan, M. M., Hossain, M. and Habib, A., (2015). Corporate life cycle and cost of equity capital. Journal of Contemporary Accounting & Economics, 11(1), 46–60.
Hernandez, M.T, Wilson, N. (2013). Financial Distress and Bankruptcy Prediction among Listed Companies Using Accounting, Market and Macroeconomic Variables. International Review of Financial Analysis, (InPress; Available online 26 Februar), pp. 1-26.
Elhoseny, M., Metawa, N., Sztano, G., and El-hasnony, I., (2022), Deep Learning-Based Model for Financial Distress Prediction, Annals of Operations Research, pp.1-23. (published online at https://doi.org/10.1007/s10479-022-04766-5)
Higgins, Robert C., (2007). Analysis for Financial Management. New York, McGraw-Hill Irwin.
Jie Luo, Huiling Chen , Qian zhang , Yueting Xu , Hui Huang , Xuehua Zhao, (2018). An Improved Grasshopper Optimization Algorithm with Application to Financial Stress Prediction. Applied Mathematical Modelling, 64(1), 654-668, (https://doi. org/10.1016/ j.apm.2018.07.044).
Jie Sun, Hui, Li, Hamido Fujita, Binbin Fu, Wenguo Ai, (2019). Class-imbalanced dynamic financial distress prediction based on Adaboost-SVM ensemble combined with SMOTE and time weighting. Information Fusion, 54(1), 128-144.
Li, Z. Crook, J. & Andreeva, G. (2015). Corporate Governance and Financial Distress: a Discrete Time Hazard Prediction Model, 1-24. (Retrieved from http://ssrn.com/abstract=2635763)
Liu, J., Wu, C., Li, Y. (2019). Improving Financial Distress Prediction Using Financial Network-Based Information and GA-Based Gradient Boosting Method. Computational Economics, 53(2), 851–872. (First Online: November 2017).
Minhas A., Ammar H., Marcela S., & Tanazza S. (2022), Financial Distress, Firm Life Cycle, and Corporate Restructuring Decisions: Evidence from Pakistan’s Economy, Economies, 10( 175), 1-14.
Penman, Stephen H. (2013). Financial Statement Analysis and Security Valuation (Chapter 20; the Analysis of Credit Risk and Return), Columbia University, Fifth Edition.
Ravi Kumar, P and Ravi, V. (2007). Bankruptcy prediction in banks and firms via statistical and intelligent techniques. European Journal of Operational Research, 180(1), 1-28.
Saremi, Sh., Mirjalili, S., Lewis, A., (2017). Grasshopper Optimisation Algorithm: Theory and application. Advances in Engineering Software, 105(1), 30–47
Timmermann, A. & Granger, C.W.J., (2004), “Efficient Market Hypothesis and Forcasting”, International journal of forecasting, vol. 20, pp.15-27.
Tsai, C. (2009). Feature Selection in Bankruptcy Prediction. Knowledge-based Systems, 22 (1), 120–127.
Ugur M., Solomon, E. & zeynalov, A., (2022), Leverage, competition and financial distress hazard: Implications for capital structure in the presence of agency costs, Economic Modelling, 108 (1), 1-55.
Weston J. F. & E.T. Copeland. (1992). Managerial Finance. Dryden Press, 9th Edition, (Full text book Available on:https://books.google.com/books/about/Managerial_finance.html).
