پیش بینی ورشکستگی شرکت های پذیرفته شده در سازمان بورس و اوراق بهادار با استفاده از شبکه عصبی مصنوعی
محورهای موضوعی : دانش سرمایهگذاری
محسن واعظ قاسمی
1
(استادیار گروه ریاضی دانشگاه آزاد اسلامی واحد رشت (نویسنده مسئول))
سعید رمضانپور چهارده
2
(دانشجوی کارشناسی ارشد مدیریت بازرگانی دانشگاه آزاد اسلامی واحد رشت)
کلید واژه: شبکه عصبی مصنوعی (ANN), ورشکستگی, پیش بینی, الگوریتم پس انتشار خطا (BP),
چکیده مقاله :
آگاهی از وضعیت مالی شرکت های بازار سرمایه همیشه یکی از دغدغه های سهامداران و تحلیلگران اقتصادی است؛ از این رو تحلیل گران و محقیق بازار های مالی همیشه به دنبال روش هایی برای پیش بینی شرایط آتی شرکت های حاضر در بازار سرمایه بودند. تحقیق پیش رو نیز به دنبال ایجاد مدلی برای پیش بینی ورشکستگی شرکت های حاضر در بازار بورس و اوراق بهادار با استفاده از شبکه عصبی مصنوعی است. در این تحقیق از نسبت های مالی زیمنسکی در کنار یک متغیر کلان اقتصادی برای پیش بینی ورشکستگی شرکت ها استفاده شده؛ جامعه آماری تحقیق از بین شرکت های پذیرفته شده در سازمان بورس و اوراق بهادار انتخاب شدند. نسبت های مالی از صورت های مالی شرکت ها در بازه زمانی پنج ساله، بین سال های 1389 تا 1393 استخراج شده، که در نهایت 84 شرکت انتخاب و به دو دسته شرکت های سالم و ورشکسته با نسبت های برابر تقسیم شدند. برای ایجاد مدل پیش بینی و تجزیه و تحلیل داده ها از شبکه عصبی پرسپترون چند لایه با استفاده از الگوریتم پس انتشار استفاده شده. شبکه یک بار تنها فقط با استفاده از نسبت های مالی و بار دیگر با اضافه شدن متغیر کلان اقتصادی تحت آموزش قرار گرفت تا در نهایت این فرضیه تائید شود که دقت شبکه با اضافه شدن متغیر کلان اقتصادی افزایش می یابد. در نهایت مدل طراحی شده در حالت کلی دارای دقتی 92.95 درصدی، و 85 درصد پیش بینی درست شرکت های ورشکسته برای یک سال قبل از ورشکستگی را دارد.
Being informed of capital market’s companies financial situation is one of the shareholders and economic analysts’ perturbation. Thus, financial market analysts and researchers were looking for methods to predict capital market’s company’s future conditions. This research is finding a model to predict bankruptcy of stock exchanges market’s companies with using the artificial neural network. In this research we used Zemijewski financial ratios with one macro – economic variable to predict companies’ bankruptcy. Population of study was selected from the accepted companies in Iran’s stock and exchanges organization. Financial ratios have been extracted from companies’ financial statement in a five years’ period between 2010 and 2014, finally we choose 84 companies that divided to salubrious and bankrupt equal number in each. We used multi-layer perceptron (MLP) with back propagation algorithm to create predictor model and data analysis. The network has been trained once with financial ratios and again with additional macro – economic variable to confirm that the accuracy of network model will increase by additional macro – economic variable. Ultimately the designed model in total mode has 92.95 percent of accuracy and 85 percent correct prediction of bankrupted companies for one year earlier of bankruptcy.
* افشاری، اسداله و خلیفه، سحر( 1392). بررسی امکان سنجی استفاده از مدل زمیجوسکی برای پیش بینی درماندگی مالی شرکت های پذیرفته شده در بورس اوراق بهادار تهران. مطالعات کمی در مدیریت، شماره 4، زمستان 1392، ص 254- 231.
* خواجوی، شکراله و امیری، فاطمه السادات (1392). شناسایی مهمترین عوامل موثر در ورشکستگی شرکتها با استفاده از تکنیک TOPSIS_AHP . فصلنامهمطالعاتتجربیحسابداریمالی، شماره 38، تابستان 1392، ص90 – 69.
* رستمی ، محمدرضا ؛ فلاح شمس ، میر فیض و اسکندری، فرزانه (1390). ارزیابی درماندگی مالی شرکت های پذیرفته شده در بورس اوراق بهادار تهران مطالعه مقایسه ای بین تحلیل پوششی داده ها و رگرسیون لجستیک، پژوهش های مدیریت در ایران ، شماره 72 ،ص 147 – 129.
* نورورزی، محمدرضا؛ زنده دل، احمد و اسماعیل زاده سیاه باغی، مهدی (1390). مقایسه اظهار نظر حسابرسان مستقل و متغیر های مالی در پیش بینی ورشکستگی. بررسی های حسابداری و حسابرسی، شماره 65، پاییز 1390، ص 78 – 63 .
* کرمی، غلامرضا و سید حسینی، سید مصطفی(1391). سودمندی اطلاعات حسابداری نسبت به اطلاعات بازار در پیش بینی ورشکستگی. مجله دانش حسابداری، شماره 10، پاییز 1391، ص 116 – 93.
* کمیجانی، اکبر و سعادت فر، جواد (1385). کاربرد مدل های شبکه عصبی در پیش بینی ورشکستگی اقتصادی شرکت های بازار بورس. دو فصلنامه علمی – پژوهشی جستار های اقتصادی، شماره 6، پاییز و زمستان 1385.
* محسنی، رضا ؛ آقا بابایی، رضا و محمد قربانی، وحید(1392). پیش بینی درماندگی مالی با بکار بردن کارایی به عنوان یک متغیر پیش بینی کننده. فصلنامه پژوهش ها و سیاست های اقتصادی، شماره 65، بهار 1392، ص 146 – 123.
* مهرآذین، علیرضا ؛ زنده دل، احمد ؛ تقی پور، محمد و فروتن، امید (1392). شبکه های عصبی شعاعی آموزش یافته بر پایه متغیر های مدل های آماری و مقایسه آن ها در پیش بینی ورشکستگی. فصلنامه علمی پژوهشی دانش سرمایه گذاری، شماره 7، پاییز 1392.
* نبوی چاشمی، سید علی ؛ احمدی، موسی و مهدوی فرح آبادی، صادق (1389). پیش بینی ورشکستگی شرکت ها با استفاده از مدل لاجیت. مهندسی مالی و مدیریت پرتفوی، شماره 5، زمستان 1389، ص81- 55.
* نیکبخت، محمدرضا و شریفی، مریم (1389). پیش بینی ورشکستگی مالی شرکت های بورس اوراق بهادار تهران با استفاده از شبکه های عصبی مصنوعی. مجله مدیریت صنعتی، شماره 4، بهار و تابستان 1389، ص 56 – 49.
* هاگان، مارتین ؛ دیموث، هاوارد و بیل، مارک(1393). طراحی شبکه های عصبی، کیا، سید مصطفی، تهران، انتشارات دانشگاهی کیان.
* Altman, E. I. (1968). Financial ratios, discriminant analysis and the prediction of corporate bankruptcy. The journal of finance, 23(4), 589-609.
* Beaver, W. H. (1966). Financial ratios as predictors of failure. Journal of accounting research, 71-111.
* Chen, J. H. (2012). Developing SFNN models to predict financial distress of construction companies. Expert Systems with Applications, 39(1), 823-827.
* Hanson, R. O. (2003). A Study of Altman's Revised Four-variable Z ″-score Bankruptcy Prediction Model as it Applies to the Service Industry (Doctoral dissertation, Nova Southeastern University.).
* Jennings, M. E. (2005). Applicability of Altman's revised four variable z-score as a bankruptcy predictor for health maintenance organizations.
* Shirata, C. Y. (1998). Financial ratios as predictors of bankruptcy in Japan: an empirical research. Tsukuba College of Technology Japan, 1(1), 1-17.
* Zmijewski, M. E. (1984). Methodological issues related to the estimation of financial distress prediction models. Journal of Accounting research, 59-82.
_||_