شبکه های عصبی شعاعی آموزش یافته بر پایه متغیرهای مدل‌های آماری و مقایسه آن‌ها در پیش بینی ورشکستگی
محورهای موضوعی : دانش سرمایهگذاریعلیرضا مهرآذین 1 , احمد زنده دل 2 , محمد تقی پور 3 , امید فروتن 4
1 - استادیار گروه حسابداری، دانشگاه آزاد اسلامی، واحد نیشابور
2 - استادیار گروه آمار، دانشگاه آزاد اسلامی، واحد نیشابور
3 - کارشناس ارشد حسابداری، دانشگاه آزاد اسلامی، واحد نیشابور (مسئول مکاتبات)
4 - کارشناس ارشد حسابداری، دانشگاه آزاد اسلامی، واحد نیشابور
کلید واژه: هوش مصنوعی, شبکه عصبی مصنوعی, تابع شعاع مدار, ورشکستگی,
چکیده مقاله :
امروزه شبکه های عصبی مصنوعی جایگاه ویژه ای در حیطه مالی پیدا کرده است. پژوهش حاضر به دنبال یافتن روش بهتر برای ساخت و آموزش شبکه های عصبی مصنوعی است که منجر به پیش بینی دقیق‌تر در موضوع ورشکستگی شود. در این میان سه شبکه عصبی از نوع توابع شعاع مدار ساخته شد که به صورت جداگانه توسط متغیرهای مدل آلتمن (1983)، اسمایوسکی (1984) و ترکیبی آموزش داده شدند. پس از سنجش توانایی سه مدل در پیش بینی ورشکستگی با استفاده از آزمون دقیق فیشر و مک نمار، دقت آن‌ها مورد مقایسه قرار گرفته است. نمونه مورد آزمون شامل شرکت‌های عضو بورس اوراق بهادار تهران در بین سال‌های 1383 تا 1390 می‌باشد. یافته‌ها نشان می‌دهند که هر سه مدل توانایی پیش بینی ورشکستگی را دارند و از بین آن‌ها مدل آموزش یافته با متغیرهای مدل آلتمن دقیق‌تر از دو مدل دیگر قادر به انجام این امر است.
Nowadays artificial neural networks have found a special position among these methods. this study seeks to find a better method of building and training artificial neural networks which leads to more accurate predictions of bankruptcy. Meanwhile, three neural networks of radial basis function type were built and trained separately by Altman model (1983), Zmijewski model (1984) and combinatory models’ variables. After evaluating the ability of these three models of bankruptcy prediction, their accuracy has been compared. Generally, this study is based on these hypotheses: First, artificial neural network models can predict bankruptcy using Altman, Zmijewski, and combinatory variables. Second, Type I and Type II error rates are equal in the aforementioned artificial neural network models. Time span of 2004 to 2012 (eight years) has been used to select samples from the listed companies in Tehran Stock Exchange. Results show that all three models have the ability of predicting bankruptcy and the model trained with Altman Model’s variables is more accurate than the other two models in this regard.