A hybrid model based on three-tier approach to predict corporate default

Subject Areas : Journal of Investment Knowledge

Mohammad javad Sadehvand ¹ , Hashem nikoomaram ² , Hasan Ghalibaf Asl ³ , Mir feiz Fallah shams ⁴

1 - Ph.D. Candidate, Department of Financial Management, Faculty of Management and Economics, Science and Research Branch, Islamic Azad University, Tehran, Iran.
2 - Prof, Department of Financial Management, Faculty of Management and Economics, Science and Research Branch, Islamic Azad University, Tehran, Iran.
3 - Associate Prof., Department of Financial Management, Faculty of Social Sciences and Economics, Alzahra University,Tehran, Iran.
4 - Associate Prof., Department of Financial Management, Management Faculty, Tehran Central Branch, Islamic Azad University, Tehran, Iran.

Received: 2021-04-18 Accepted : 2021-08-04 Published : 2021-12-22

Keywords: Financial Distress, Hybrid Model, Multi nomial Logistic Analysis, The Black-Scholes-Merton Model,

Abstract :

Corporate financial distress is the most unpleasant event that will result in catastrophic issues for its stakeholders. In addition to the huge losses for the business itself, this event can potentially affect the country's economy. Therefore, quick and timely detection of financial distress is essential to support various financial and social investments. In this regard, the present study aimed at providing a combined model of corporate default prediction and classifying firms into three groups: healthy, stressed and distressed.In this study, first, using a library research method, 47 variables or ratios were identified, selected and classified into three groups: fundamental or financial variables, market variables and macroeconomic variables. Then, considering the frequency and successful performance of these ratios in previous studies and by performing statistical tests, potential variables affecting financial distress were identified.In this study, multinomial logistic regression was used to provide a combined model of corporate default prediction. Also, in order to measure corporate default, the Black-Scholes-Merton (BSM) model was used.Findings indicated that 8 variables, including 5 financial variables, 2 market variables and 1 macroeconomic variable were statistically significant in the final model, and in fiscal year 1398, the accuracy of this model was 90% in the group of distressed firms, 85% in the group of stressed firms and 90% in the group of healthy firms.

References:

• پیری، پرویز و خداکریمی، پری (1396). پیش‌بینی درماندگی مالی بر مبنای الگوی ترکیبی از اطلاعات حسابداری و بازار با رویکرد رگرسیون لجستیک. مطالعات تجربی حسابداری مالی، دوره 14، شماره 55، صص 168-145.


• راموز، نجمه و محمودی، مریم (1396). پیش‌بینی ریسک ورشکستگی مالی با استفاده از مدل ترکیبی در بورس اوراق بهادار تهران، راهبرد مدیریت مالی، دوره 5، شماره 1، صص 75-51.


• رستمی، محمدرضا؛ فلاح شمس، میرفیض و اسکندری، فرزانه (1390). ارزیابی درماندگی مالی شرکت­‌های پذیرفته­شده در بورس اوراق بهادار تهران: مطالعه مقایسه­‌ای بین تحلیل پوششی داده­‌ها و رگرسیون لجستیک. پژوهش­های مدیریت در ایران، دوره 15، شماره  3، صص 147-129.


• رهنمای رودپشتی، فریدون؛ علی­خانی، راضیه و مران­جوری، مهدی (1388). بررسی کاربرد مدل­های پیش­بینی ورشکستگی آلتمن و فالمر در شرکت‌های پذیرفته‌شده در بورس اوراق بهادار تهران. بررسی­های حسابداری و حسابرسی، دوره 16، شماره 55، صص 34-19.


• سرمد، زهره؛ بازرگان، عباس و حجازی، الهه (1393). روش­های تحقیق در علوم رفتاری (چاپ 27). تهران: انتشارات آگه.


• صادقی، حسین؛ رحیمی، پریسا و سلمانی، یونس (1393). تأثیر عوامل کلان اقتصادی و نظام راهبری بر درماندگی مالی شرکت‌های تولیدی پذیرفته‌شده در بورس اوراق بهادار تهران. اقتصاد پولی، مالی، دوره 21، شماره 8، صص 127-107.


• فدائی‌نژاد، محمداسماعیل؛ شهریاری، سارا و سلیم، فرشاد (1394). تجزیه و تحلیل رابطه ریسک درماندگی مالی و بازده سهام، بررسی‌های حسابداری و حسابرسی، دوره 22، شماره 2، صص 262-243.


• فلاح‌پور، سعید؛ راعی، رضا و نوروزیان لکوان، عیسی (1397). استفاده از روش ترکیبی انتخاب ویژگی پی­درپی پیشرو شناور و ماشین بردار پشتیبان در پیش­بینی درماندگی مالی شرکت­های پذیرفته­شده در بورس اوراق بهادار تهران. تحقیقات مالی، دوره 20، شماره 3، صص 304-289.


• مشایخی، بیتا و گنجی، حمیدرضا (1393). تأثیر کیفیت سود بر پیش‌بینی ورشکستگی با استفاده از شبکه عصبی مصنوعی. پژوهش­های حسابداری مالی و حسابرسی، دوره 6، شماره 22، صص 173-147.


• منصورفر، غلامرضا؛ غیور، فرزاد و لطفی، بهناز (1394). توانایی ماشین بردار پشتیبان در پیش‌بینی درماندگی مالی، پژوهش‌های تجربی حسابداری، دوره 5، شماره 17، صص 195-177.


• موسی‌پور اصل، مریم (1395). اثر متغیرهای کلان بر احتمال ورشکستگی شرکت‌ها (پایان‌نامه کارشناسی ارشد). دانشگاه الزهرا (س).


• مهرانی، ساسان؛ کامیابی، یحیی و غیور، فرزاد (1398). بررسی توانایی شاخصهای حسابداری و غیرحسابداری مؤثر بر پیشبینی درماندگی مالی و مقایسه روشهای پارامتریک و ناپارامتریک، پژوهش‌های تجربی حسابداری، سال نهم، شماره 34، صص71-49.


• وظیفه‌دوست، حسین و زنگنه، طیبه (1394). ارائه مدل پیش‌بینی ورشکستگی شرکت‌های بورس اوراق بهادار تهران مبتنی بر مدل ترکیبی شبکه عصبی گروهی دستکاری داده‌ها و الگوریتم ژنتیک. پژوهش‌های مدیریت راهبردی، دوره 21، شماره 57، صص 100-83.


• Afik, Z., Arad, O. & Galil, K. (2016). Using Merton model for default prediction: an empirical assessment of selected alternatives. Journal of Empirical Finance, (35):43-67.


• Agarwal, V. & Taffler, R. (2008). Comparing the performance of market-based and
  accounting-based bankruptcy prediction models. Journal of Banking and Finance,
  32(8):1541-1551.


• Alifiah, M. N. (2014). Prediction of financial distress companies in the trading and services sector in Malaysia using macroeconomic variables.Procedia-Social and Behavioral Sciences,129, 90-98.


• Altman, E.I. (1968). Financial ratios, discriminant analysis and the prediction of corporate
  Journal of Finance, 23(4):589-609.


• Altman, E.I., Iwanicz-Drozdowska, M., Laitinen, E.K., Suvas, A. (2016). Financial Distress
  Prediction in an International Context: A Review and Empirical Analysis of Altman’s ZScore Model. Journal of International Financial Management & Accounting, 0(0):1-41.


• Altman, E.I., Haldeman, G. & Narayanan, P. (1977). Zeta analysis: a new model to identify bankruptcy risk of corporations. Journal of Banking and Finance, (1):29-54.


• Amendola, A., Restaino, M. & Sensini, L. (2015). An analysis of the determinants of
  financial distress in Italy: A competing risks approach. International Review of Economics
  and Finance, 37:33–41.


• Aydin, A.D. & Cavdar, S.C. (2015). Two different points of view through artificial
  intelligence and vector autoregressive models for ex post and ex ante forecasting. Journal
  of Computational Intelligence and Neuroscience, 1-11.


• Balcaen, S. & Ooghe, H. (2006). 35 years of studies on business failure: an overview of
  the classic statistical methodologies and their related problems. The British Accounting
  Review, 38(1):63-93.


• Beaver, W.H. (1966). Financial ratios as predictors of failure. Journal of Accounting
  Research, 4(3):71-111.


• Campbell, J.Y., Hilscher, J.D. & Szilagyi, J. (2011). Predicting financial distress and the
  performance of distressed stocks. Journal of Investment Management, 9(2):14-34.


• Campbell, J. Y., Hilscher, J. & J. Szilagyi. (2008). In search of distress risk. The Journal of Finance, 63(6): 2899-2939.


• Chava, S. & Jarrow, R. (2004). Bankruptcy prediction with industry effects. Review of
  Finance, (8):537-569.


• Doumpos, M. & Zopounidis, C. (1999). Business failure prediction using the UTADIS
  multicriteria analysis method. Journal of Operational Research Society, (50):1138-1148.


• Duffie, D., Saita, L. & Wang, K. (2007). Multi-period corporate default prediction with
  stochastic covariates. Journal of Financial Economics, (83):635-665.


• Fawzi, N. S., Kamaluddin, & Sanusi, Z. M. (2015). Monitoring distressed companies through cash flow analysis. Procedia Economics and Finance, 28: 36-144.


• Hamilton, B. (2014). The 9 biggest financial warning signs. Retrieved from: https://www.entrepreneur.com/article/239730.


• Hand, D.J. & Henley, W.E. (1996). Statistical classification methods in consumer credit scoring: a review. Journal of the Royal Statistical Society, (3):523-541.


• Hensher, D. A., Jones, S. & Greene, W. H. (2007). An error component logit analysis of corporate bankruptcy and insolvency risk in Australia. Economic Record, 83(260): 86-103.


• Hillegeist, S., Keating, E., Cram, D. & Lundstedt, K. (2004). Assessing the probability of
  Review of Accounting Studies, (9):5-34.


• Jones, S. & Hensher, D. A. (2007). Modelling corporate failure: A multinomial nested logit analysis for unordered outcomes. The British Accounting Review, 39(1): 89-107.


• Keasey, K. & Watson, R. (1989). Non-financial symptoms and the prediction of small
  company failure: a test of Argenti’s hypotheses. Journal of Business Finance &
  Accounting, 14(3):335-354.


• Li, D. & Xia, Y. (2015). The effect of stock liquidity on default risk. Working Paper, The University of Hong Kong.


• Li, M.L. & Miu, P. (2010). A hybrid bankruptcy prediction model with dynamic loadings on
  accounting-ratio-based and market-based information: a binary quantile regression
  Journal of Empirical Finance, (17):818-833.


• Low, S., Fauzias, M. & Yatim, P. (2001). Predicting corporate financial distress using logit
  model: the case Malaysia. Asian Academy of Management Journal, 6(1):49-61.


• Mertens, R. L., Poddig, T. & Fieberg, C. (2016). Forecasting corporate defaults in the German stock market. Working Paper, Retrieved from: http://ssrn.com/abstract=2833454.


• Merton, R.C. (1974). On the pricing of corporate debt: the risk structure of interest rates.
  Journal of Finance, (29):449-470.


• Muller, G. H., Steyn-Bruwer, B. W. & Hamman, W. D. (2009). Predicting financial distress of companies listed on the JSE: A comparison of techniques. South African Journal of Business Management, 40(1): 21-32.


• Odom, M. & Sharda, R. (1990). A neural networks model for bankruptcy prediction. IEEE
  International Conference on Neural Networks, IEEE Press, San Diego, CA, 163-168.


• Ohlson, J.A. (1980). Financial ratios and the probabilistic prediction of bankruptcy. Journal
  of Accounting Research, (18):109-131.


• Pindado, J. Rodrigues, L. F. & De la Torre, C. (2008). Estimating financial distress likelihood. Journal of Business Research, 61: 995-1003.


• Platt, H. D. (2010). Lead with cash: Cash flow for corporate renewal. London: Imperial College Press.


• Shirata, C.Y. 1998. Financial ratios as predictors of bankruptcy in Japan: an empirical
  In Proceedings of The Second Asian Pacific Interdisciplinary Research in
  Accounting Conference, 437-445.


• Tam, K.Y. & Kiang, M.Y. (1992). Managerial applications of neural networkss: the case of
  bank failure predictions. Management Science, 38(7):926-947.


• Trujillo-Ponce, A., Samaniego-Medina, R. & Cardone-Riportella, C. (2014). Examining what best explains corporate credit risk: Accounting-based versus market-based models. Journal of Business Economics and Management, 15(2): 253-276.


• Wang, Y. (2011). Corporate default prediction: models, drivers and measurements. Ph.D. Thesis. The University of Exeter.


• Xia, Y. (2016). The real effects of stock market liquidity. Ph.D. Thesis, The University of Hong Kong.


• Zavgren, C. (1983). The prediction of corporate failure: the state of the art. Journal of
  Accounting Literature, (2):1-35.


• Zavgren, C. (1985). Assessing the vulnerability to failure of American industrial firms: a
  logistic analysis. Journal of Business Finance and Accounting, 12(1):19-45.