مقایسه روش های مختلف انتخاب متغیرهای پیش بین برای پیش بینی بحران مالی شرکت های پذیرفته شده در بورس اوراق بهادار تهران
محورهای موضوعی : مهندسی مالی
محمد نمازی
1
(استاد گروه حسابداری، دانشکده اقتصاد، مدیریت و علوم اجتماعی دانشگاه شیراز، شیراز، ایران)
مصطفی کاظم نژاد
2
(دانشجوی دکتری حسابداری، دانشگاه شیراز، شیراز، ایران)
محمدمهدی نعمت الهی
3
(دانشجوی دکتری هوش مصنوعی، دانشگاه صنعتی شاهرود، شاهرود، ایران)
کلید واژه: شبکه های عصبی, پیش بینی بحران مالی, انتخاب متغیرهای پیش بین, ماشین بردار پشتیبان و آدابوست,
چکیده مقاله :
در پژوهش های انجام شده در زمینه پیش بینی بحران مالی و ورشکستگی، هدف و تأکید اصلی، ارائه مدل های مناسب و دقیق برای پیش بینی ورشکستگی بوده و کمتر به انتخاب متغیرهای پیش بین و روش های مناسب آن پرداخته شده است. بنابراین، پژوهش حاضر به بررسی و مقایسه سودمندی روش های مختلف انتخاب متغیرهای پیش بین درپیش بینی بحران مالی شرکت‌های پذیرفته شده در بورس اوراق بهادار تهران می پردازد. در این راستا، عملکرد روش های انتخاب متغیر، شامل آزمون t، تحلیل ممیزی گام به گام، تحلیل عاملی، ریلیف، مبتنی بر روکشی و مبتنی بر بردارهای پشتیبان، بررسی و با هم مقایسه می شود. طبقه بندی کننده های استفاده شده نیز شامل شبکه های عصبی مصنوعی، ماشین بردار پشتیبان و آدابوست (بوستینگ) می باشد. به طور کلی، یافته های پژوهش حاکی از سودمندی استفاده از روش های انتخاب متغیر نسبت به عدم استفاده از این روش ها در پیش بینی بحران مالی و همچنین وجود تفاوت معنادار بین میزان سودمندی این روش‌هاست. به عبارت دیگر، در صورت استفاده از روش های انتخاب متغیرهای پیش بین، میانگین دقت افزایش و خطای نوع اول و دوم کاهش می یابد. افزون بر این، یافته های پژوهش حاکی از برتری روش انتخاب متغیر مبتنی بر روکشی نسبت به سایر روش‌های انتخاب متغیرهای پیش بین است.
Research in financial distress and bankruptcy emphasize the design of more sophisticated classifiers, and less feature (variables) selection and their appropriate methods. In this regard, the purpose of this study is to compare performance of different feature selection methods in financial distress prediction of the companies listed on Tehran Stock Exchange (TSE). In this regard, we investigated and compared five feature selection methods, including t-test, stepwise regression, factor analysis, relief, wrapper subset selection and RFE-SVM feature selection. To obtain comparable experimental results (reliable comparison), three different classifiers (including neural networks, support vector machine and AdaBoost) were used in this study. In overall, the experimental results confirmed the usefulness of variable selection methods and significant difference among level (amount) of different methods performance. In other words, the application of the feature selection methods increases the mean of accuracy, and reduces the occurrence of type I and type II errors. Furthermore, the results indicated that wrapper subset selection method outperforms the other feature selection methods.
