Examining The Financial Engineering Approach’s Ability In Measuring Financial Distress

Subject Areas : Journal of Investment Knowledge

Seyedalireza Rouintan ¹ ( PhD Student, Department of Finance, Research and Science Branch, Islamic Azad University, Tehran, Iran )
Kambiz Peykarjou ² ( Assistant Professor, Department of Economics, Faculty of Management, Science and Research Branch, Tehran, Iran )
Maryam Khaliliaraghi ³ ( Assistant Professor, Department of Financial Management, Faculty of Management, Islamic Azad University, Science and Research Branch, Tehran, Iran. )

Received: 2022-04-13 Accepted : 2022-07-04 Published : 2024-09-22

Keywords: financial distress", "financial bankruptcy", " Resilience system", " financial engineering approach",

Abstract :

Four major approaches to financial analysis can be defined. Traditional, Ultra -Traditional, modern and postmodern approach. In the novel theory of business resilience system, in measuring financial risks or otherwise, conditions are provided that by comprehensiveness and also considering the rule of contingency paradigm, the possibility of measuring financial indicators and other cases on a case-by-case basis. Or comprehensive, be provided. Or comprehensive, be provided. Statistical data of listed companies in the period 1390 to 1398 were used. In this study, using different methods based on innovative financial instruments, the power of these instruments in estimating financial distress, traditional, ultra -Traditional, modern and postmodern perspectives are compared. Finally, it was found that the financial engineering method, relying on the theory of business resilience system in determining financial distress, reduces the fluctuation of the estimate and increases the accuracy of the estimate of financial distress. Of course, along with new methods, traditional methods should always be considered as indicators to determine the extent of financial distress and for comparison.

References:

• اسدی، مریم (1393). اثر تعدیل گر کیفیت سود در پیش بینی درماندگی مالی شرکت های پذیرفته شده در بورس اوراق بهادار تهران. پایان نامه کارشناسی ارشد حسابداری، دانشکده اقتصاد و مدیریت، دانشگاه ارومیه.


• اسماعیل زاده مقری، علی و شاکری، هاجر (1394). پیش بینی درماندگی مالی شرکت های پذیرفته شده در بورس اوراق بهادار تهران با استفاده ازشبکه بیزی ساده و مقایسه آن با تحلیل پوششی داده ها. فصلنامه مهندسی مالی و مدیریت اوراق بهادار، 5(22): 27-1.


• اکبری، فضل الله. (1378). تجزیه و تحلیل صورت های مالی. تهران: مرکز تحقیقات تخصصی حسابداری و حسابرسی سازمان حسابرسی.


• بولو، قاسم، حساس یگانه و هراسانی، رضا. (1390) . روند تغییرات کیفیت سود در طول زمان در شرکت های پذیرفته شده در بورس اوراق بهادار تهران. فصلنامه مطالعات حسابداری، 29: 95-65.


• پوراسد، سعید. (1395). تاثیر کوتاه بینی مدیریتی بر کارایی شرکت ها با نقش تعدیل کننده کیفیت حاکمیت شرکتی در شرکت های بورس اوراق بهادار تهران. پایان نامه کارشناسی ارشد، دانشگاه ارومیه.


• جبارزاده، سعید؛ خدایار یگانه، سعید و پوررضا، اکیر. (1388). بررسی ارتباط بین هموارسازی سود و درماندگی مالی شرکت ها در بورس اوراق بهادار تهران. فصلنامه راهبرد حسابداری مالی، 1(2): 80-60.


• حیدری زارع، بهزاد و کرد لوئی، حمیدرضا. (1389). پیش بینی قیمت سهام با استفاده از شبکه عصبی مصنوعی. فصلنامه مدیریت، 7(17): 56-49.


• خالق پرست، شبنم (1394). پیش بینی نوسان شاخص قیمت صنایع شرکت های پذیرفته شده در بورس اوراق بهادار با استفاده از متغیرهای مالی منتخب شرکتی و استفاده از SVM. پایان نامه کارشناسی ارشد، دانشگاه ارومیه.


• خواجوی، شکرالله و غضنفری، سید حسین (1383). کاربرد تحلیل پوششی داده ها در تعیین پرتفویی از کاراترین شرکت های پذیرفته شده در بورس اوراق بهادار تهران. مجله علوم انسانی دانشگاه شیراز، 2، 89-75.


• خلیفه سلطانی، سید احمد و اسماعیلی، فاطمه (1393)، تاثیر چرخه تجاری بر پایداری مدل های پیش بینی ورشکستگی. پژوهش های تجربی حسابداری، 4 (13): 22-1.


• راعی، رضا و فلاح پور، سعید (1387). کاربرد ماشین بردار پشتیبان در پیش بینی درماندگی مالی شرکت ها با استفاده از نسبت های مالی. بررسی های حسابداری و جسابرسی، 53، 34-17.


• رهنمای رود پشتی، فریدون و صالحی، اله کرم. (1389). مکاتبو تئوری های مالی و حسابداری. تهران: انتشارات دانشگاه آزاد اسلامی واحد تهران مرکزی.


• رهنمای رودپشتی، فریدون؛ علی خانی، راضیه و مران جوری، مهدی (1388). بررسی کاربرد مدل های پیش بینی ورشکستگی آلتمن و فالمر در شرکت های پذیرفته شده در بورس ارواق بهادار تهران. بررسی های حسابداری و حسابرسی، 16(55): 34-19.


• یزدانی، سیما (1389). کیفیت سود. چهارمین همایش سراسری سالانه دانشجویان حسابداری ایران. دسترسی از طریق: http://www.civilica.com/Paper.financialstud04-financialstud04_001.html.financialstud04_001


• Adnan, A., M. Humayon &    Dar. (2002). Prediction Corporate Bankruptcy: Whether Do We Stand?. Department of Economics, Loughborough University, UK.


• Al-Attar, A., Hussain, S., & Zuo, L.Y. (2008). Earnings quality, bankruptcy risk and future cash flows. Accounting and Business Research, 38 (1):5-20


• Alifiah, M.N. (2013). Prediction of financial distress companies in the trading and services sector      in Malaysia using macroeconomic          International Conference on Innovation, Management and Technology Research, Malaysia,                22-23 September.


• Allison, D. (1999).  Logistic  regression  using  the  SAS  systems. Theory and application. Carry, NC: SAS institute.


• Altman, E.I. (1968). Financial Ratios, Discriminant Analysis and the Prediction of Corporate Bankruptcy. Journal of Finance, 23 (4):589-609


• Altman, E. I. & Hotchkiss, E. (2006). Corporate financial distress and bankruptcy: Predict and avoid bankruptcy, analyze and invest in distressed debt. 3rd Edition,New Jersey: John Wiley & Sons.


• Asquith P., Gertner, R., & Scharfstein, D. (1994), Anatomy of Financial Distress: An Examination of
  Junk-bond Issuers. Quarterly Journal of Economics, 109(3): 1189-1222.


• Beaver, W.(1966), Financial Ratios as Predictors of Failures. Journal of Accounting Research,


• 4 (Supplement), 71-102.


• Bellovary, J.; Don, G. and Akers, M. (2005). Earnings quality: It's time to measure and report, The CPA Journal, Vol. 75, P.32.


• Bredart, X. (2014). Financial Distress and Corporate Governance around Lehman Brothers Bankruptcy. International Business Research, 7(5):1-8.


• Bris, A., Welch, I. & Zhu, N.(2006). The Costs of Bankruptcy: Chapter 7 Liquidation versus Chapter 11 Journal of Finance, 61(3): 1253-1315.


• Charens, A., Cooper, W. & Rhodes,  E. (1978).  Measuring the efficiency of decision making units. European Journal of Operational Research, 2(6): 429-444.


• Charitou, A., Neophytos, L. & Lenos, T. (2011). Distress risk, growth and earnings quality. Abacus, 47(2): 158-181.


• Chen, M.Y. (2011). Predicting corporate financial distress based on integration of decision tree classification and   logistic   Expert Systems  with Applications, 38(9): 11261-11272.


• Chi, X., Lou, C., & Yu, X. (2011). Financial distress prediction based on SVM and MDA methods: the case of Chinese listed companies. Quality and Quantity, 45(3): 671-686.


• Dechow, P.; Ge, W. & Scharand, C. (2010). Understanding earnings quality: A review of the proxies, their determinants and their consequences. Journal of Accounting and Economics, 50(2,3): 344-401.


• Dechow, P. & Dichev, I. D. (2002). The quality of accruals and earnings: The role of accrual estimation errors. The Accounting Review. 77(supplement), 35-39.


• Dechow, P., Sloan, R. & Sweeney, A. (1995). Detecting earnings management. The Accounting Review, 70: 193-225.


• Denis, D., & Denis, D. (1995). Causes of Financial Distress Following Leveraged Recapitalizations. Journal of Financial Economics, 37,129-157.


• Dichev, I. D. & Tang, V. W. (2009). Earnings volatility and earnings predictability. Journal of Accounting and Economics, 49:160-181.


• Elloumi, F., & Gueyié, J.P. (2001). Financial distress and corporate governance: an empirical analysis. Corporate Governance, 1(1): 15-23.


• Etemadi, H., Anvari Rostamy, A. A.,& Dehkordi, H. F.  (2009). A genetic programming model for bankruptcy prediction: empiricalevidence from Iran. Expert Systems with Applications, 36(2), part, 2,3199-3207.


• Fisher, T. & Martel, J. (2005). The irrelevance of direct bankruptcy costs to the firm’s financial reorganization decision. Journal of empirical legal studies. 2(1): 151-169.


• Francis, J., LaFond, R., Olsson, P. & Schipper, K. (2004). Cost of equity and earnings attributes. The Accounting Review, 79(4): 967-1010.


• Francis, J., LaFond, R., Olsson, P., & Schipper, K. (2005). The market pricing of accruals quality. Journal of Accounting and Economics, 39. 295-327.


• Francis, ,  LaFond,  R.,  Olsson,  P.  &  Schipper,  K.  (2006).  Earnings  quality.


• Foundations and Trends in Accounting, 1(4): 259-340.


• Francis, J., Nanda, D.J., & Olsson, P. (2008). Voluntary disclosure, earnings quality and cost of capital. Journal of Accounting Research, 46(1): 53-99.


• Gaio, C. & Raposo, C. (2011). Earnings quality and firm valuation: international evidence. Accounting & Finance, 51 (2): 467-499.


• Gameel, M. S. & El-Geiziry, Kh. (2016). Predicting financial distress: multi scenarios modeling using neural network. International Journal of Economics and Finance, 8(11): 159-166.


• Garcia Lara, J.M. Osma, B.G. & Penalva. F. (2009). Conditional conservatism and firm investment efficiency. Review of Accounting Studies, 14(1): 161-201.


• Gestel, T. V., Baesens, B., Suykens, J., Poel, D. V., Baestaens, D. E., & Willekens, M.(2006). Bayesian Kernel Based Classification For Financial Distress Detection. European Journal Of Operational Research, 172, 979-1003.


• Gilbert, L. R., Menon, K., & Schwartz, K. B. (1990). Predicting Bankruptcy for Firms in Financial Distress. Journal of Business Finance and Accounting, 17(1), 161-171.


• Gordon, M. J. (1971). Toward a Theory of Financial Distress. The Journal of Finance, 26(2): 347-356.


• Hal, S. (2007).  The  Influence of  the  Business Cycle  on  Bankruptcy Probability.