پیش بینی ورشکستگی مالی شرکت‌های بورس اوراق بهادار با استفاده از شبکه عصبی مصنوعی و الگوریتم کرم شب‌تاب

محورهای موضوعی : مهندسی مالی

مهدی حیدری ¹ (گروه مدیریت صنعتی، دانشگاه آزاد اسلامی واحد فیروزکوه، فیروزکوه، ایران)
شکراله زیاری ² (گروه ریاضی،واحد فیروزکوه، دانشگاه آزاد اسلامی، فیروزکوه، ایران)
سید احمد شایان نیا ³ (گروه مدیریت صنعتی، واحد فیروزکوه، دانشگاه آزاد اسلامی، فیروزکوه، ایران)
علیرضا رشیدی کمیجان ⁴ (گروه مهندسی صنایع، واحد فیروزکوه، دانشگاه آزاد اسلامی، فیروزکوه، ایران)

تاریخ دریافت : 1399/04/07 تاریخ پذیرش : 1399/07/12 تاریخ انتشار : 1400/01/01

کلید واژه: الگوریتم کرم شب‌تاب, ورشکستگی مالی, شبکه عصبی پس انتشار,

چکیده مقاله :

با پیش‌بینی نابسامانی مالی، پیشگیری‌ها و اقدامات مقتضی لازم توسط مدیران و سرمایه‌گذاران انجام شود. پژوهش حاضر، دو مدل پیش بینی ورشکستگی با استفاده از شبکه عصبی و الگوریتم فراابتکاری کرم شب‌تاب در بورس اوراق بهادار تهران، آزمون و نتایج با هم مقایسه می شود. برای اجرای آزمون ابتدا یک مقادیر اولیه برای وزن‌ها و بایاس‌های شبکه تعیین شده و سپس در طی پروسه بهینه‌سازی، جمعیتی از وزنها و بایاس‌های مختلف توسط الگوریتم کرم شب‌تاب تولید می‌شوند. تابع تبدیل مورد استفاده در لایه خروجی از نوع خطی و برای لایه میانی یک تابع غیرخطی سیگمویدی انتخاب شده است. برای انجام این پژوهش داده‌های 79 شرکت در بازه زمانی 1391 تا 1394 گردآوری و با به‌کارگیری الگوریتم‌های شبکه عصبی پس انتشار و کرم شب تاب تجزیه و تحلیل شدند. یافته‌های این پژوهش نشان می دهد که شبکه عصبی بهینه شده بوسیله الگوریتم کرم شب‌تاب عملکرد بهتری نسبت به شبکه عصبی پس انتشار خطا در پیش‌بینی ورشکستگی شرکت‌های نمونه دارد. همچنین الگوریتم کرم شب‌تاب به خوبی نسبت بین شرکت‌های ورشکسته و عدم ورشکسته را همانند داده های واقعی حفظ کرده است.

چکیده انگلیسی:

By anticipating financial turmoil, it is possible to take the necessary precautions before financial distress occurs by managers and investors. This study compares two algorithms for prediction of bankruptcy using Artificial Neural Network (ANN) and Neural network optimized metaheuristic Firefly Algorithm (FA). To run test, first initial values are set for the network weights and biases and then during the optimization process, a population of different weights and biases is generated by FA algorithm. The conversion function used in the output layer is linear and for the middle layer a non-linear sigmoid function is selected. To conduct this research, the data of 79 companies listed on TSE during 2012 to 2015 were collected and analyzed statistically by backpropagation neural network and FA algorithms. The results show that FA, compared to ANN predicted the companies’ bankruptcy much better. Also, FA Algorithm maintains a good correlation between bankrupt and non-bankrupt companies, just like real data.