Predicting financial distress risk of firms listed in Tehran Stock Exchange using factor analysis, decision tree and logistic regression models

Subject Areas : Journal of Investment Knowledge

Rasoul Tahmasebi ¹ , Ali Asghar Anvary Rostamy ² , Abbas Khorshidi ³ , Seyyed Jalal Sadeghi Sharif ⁴

1 - PhD. Student, Department of Management ,UAE Branch, Islamic Azad University, Dubai, United Arab Emirates.
2 - Professor, Department of Management, Tarbiat Modares University, Tehran, Iran.(Correspondence Author).
3 - Professor, Department of Management ,Eslamshahr Branch, Islamic Azad University, Tehran, Iran.
4 - Assistant Professor , Department of Management, Shahid Beheshti University, Tehran, Iran.

Received: 2017-04-14 Accepted : 2017-08-07 Published : 2018-09-23

Keywords: Financial distress risk, Factor analysis, Decision tree, logistic regression, Tehran Stock Exchange,

Abstract :

This research predicts financial distress of companies listed on Tehran Stock Exchange using Factor Analysis, Decision Tree, and Logistic Regression models. For this purpose, 33 financial ratios have been investigated in the 5-year time horizon. In order to reduce the dimensions of the data and to find the internal relationship the variables, factor analysis model has been used. Then, the variables according to their relationships with financial distress are classified in eight factors. In the following, the results of the decision tree and the logistic regression models are compared with each other. The results show that both models have the ability to predict financial distress, but the decision tress model has a higher predictive power than the logistic regression model.

References:

*       آهنگری، م. (1390). به کارگیری درخت تصمیم جهت پیش بینی شرکت های ورشکسته و غیر ورشکست شده پذیرفته شده در بورس اوراق بهادار.

*       انواری رستمی، ع. عموقین، ر.،(1396). تصمیم‌گیری در مسائل مالی. تهران: انتشارات ترمه

*       اسماعیل زاده مقری، ع.، شاکری، ه. (1394). پیش بینی درماندگی مالی شرکت های پذیرفته شده در بورس اوراق بهادار تهران با استفاده از شبکه بیزی ساده و مقایسه آن با تحلیل پوششی داده ها. مهندسی مالی و مدیریت پرتفوی، 6(22)، 1-28.

*       انواری رستمی، ع.، عموقین، ر.(1396). تصمیم‌گیری در مسائل مالی. تهران:انتشارات ترمه

*       حسینی، م.، رشیدی، ر . (1392). پیش بینی احتمال ورشکستگی شرکت های پذیرفته شده در بورس اوراق بهادار تهران با استفاده از مدل رگرسیون لجستیک. مجله پژوهش های حسابداری مالی، 5(17)، 105-130.

*       شباهنگ، ر. (1379). مدیریت مالی جلد 1. انتشارات سازمان حسابرسی، 92(4).

*       فدایی نژاد، م.، اسکندری، ر. (1390). طراحی و تبیین مدل پیش‌بینی ورشکستگی شرکت‌ها در بورس اوراق بهادار تهران، تحقیقات حسابداری، 1(9).

*       منصورفر، غ.، غیور، ف. (1394). توانایی ماشین بردار پشتیبان در پیش بینی درماندگی مالی. پژوهش های تجربی حسابداری مقاله 10، 5(1).

*       منصورفر، غ.، غیور، ف. (1395). اثر تعدیل گر کیفیت سود در پی بینی درماندگی مالی شرکت های پذیرفته شده بورس اوراق بهادار تهران مقاله 2، 4(4).

*    موسوی شیری، م.، طبرستانی، م. (1388). پیش بینی درماندگی مالی با استفاده از تحلیل پوششی داده ها. تحقیقات حسابداری و حسابرسی، 1(2) . 2-8.

*       مهرانی، س.، کرمی، ک. (1383). استفاده از اطلاعات تاریخی مالی و غیرمالی جهت تفکیک شرکت های موفق و ناموفق. بررسی های حسابداری و حسابرسی، 11(1).

*       Alfaro, E & Garcia, N. (2008). Bankruptcy forecasting: An empirical comparison of Adaboost and neural networks. Decision Support Systems, 45. 110-122.

*       Altman, E.I. (2000), Predicting financial distress of companies: Revisiting the A-score and Zeta Models, Stern School of Business, New York University.

*       Barak. A.Z. (2010). Cash flow ration vs. accruals ratios: Empirical research on incremental information content. The Business Review, 15, 206-213.

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

*       Cantoni, Emiliano and Silvi, Riccardo, Financial Distress and Ratios Informative Capability: Empirical Evidence from the Italian Food & Beverage Industry (October 8, 2010). Available at: http://dx.doi.org/10.2139/ssrn.1012651

*       Kouki, M. & Elkhaldi, A. (2011). Toward a predicting model of firm bankruptcy: Evidence from the Tunisian context. Middle Eastern Finance and Economics, 14. 26-43.

*       Murtaza, M., & Shah, J. (2000). A neural network based clustering procedure for bankruptcy prediction. American Business Review, 18 (2), 80-86.

*       Ohlson, J.A. (1980). Financial Ratios and the probabilistic prediction of Bankruptcy. Journal of Accounting Research, 18: 109-131.

*       Qunfeng Liao, Seyed Mehdian. (2016). Measuring financial distress and predicting corporate bankruptcy: An index approach. 9(1).

*      Sun, L & Shenoy, P. (2007). Using Bayesian networks for bankruptcy prediction. European Journal of Operational Research, 180(2): 738-753.