با توجه به آغاز به کار بورس برق و انرژی در سال 1391، ارائة مشاورههای جانبی به سرمایهگذاران یکی از اولویتهای توسعه و پیشرفت این بورس تازه تاسیس، میباشد. پیشبینی ورشکستگی بنگاههای اقتصادی، نه تنها به سرمایهگذاران در اولویتدهی و جلوگیری از دست رفتن اصل و فرع سرما چکیده کامل
با توجه به آغاز به کار بورس برق و انرژی در سال 1391، ارائة مشاورههای جانبی به سرمایهگذاران یکی از اولویتهای توسعه و پیشرفت این بورس تازه تاسیس، میباشد. پیشبینی ورشکستگی بنگاههای اقتصادی، نه تنها به سرمایهگذاران در اولویتدهی و جلوگیری از دست رفتن اصل و فرع سرمایه کمک میکند، بلکه تاثیر بسزایی در نحوة اعتباردهی و در نتیجه جلوگیری از نابودی بنگاه اقتصادی خواهد داشت. در این مقاله، مسألة پیشبینی ورشکستگی بنگاههای اقتصادی مرتبط با حوزة برق و انرژی، در محیط شرکتهای ایران، بررسی میگردد. برای این منظور از اطلاعات 200 سال-شرکت، از بین شرکتهای پذیرفته شده در بورس اوراق بهادار تهران، در سالهای 1380 تا 1388، استفاده شده است. در کلیة مطالعات تعداد شرکتهای ورشکسته و غیرورشکسته مساوی در نظر گرفته شده و شرکتهای ورشکسته بر مبنای مادة 141 قانون تجارت انتخاب شدهاند. به منظور ایجاد یک رابطة پیشنهادی برای پیشبینی ورشکستگی مالی شرکتهای مرتبط با حوزة برق و انرژی، از یک الگوریتم هوشمند مبتنی بر اتوماتای یادگیر استفاده شده است. مطابق نتایج ارائه شده، دقت مدل پیشنهادی برای دادههای آموزش حدود 91% و بر روی دادههای آزمون تقریباً 88% میباشد. با توجه آنالیز حساسیتهای انجامشده، میتوان نتیجه گرفت که مدل پیشنهادی نیازهای فنی و اقتصادی مسأله را ارضاء نموده و میتواند به عنوان ابزاری برای پیشبینی ورشکستگی شرکتها مورد استفاده قرار گیرد.
پرونده مقاله
با توجه به نگرانیهایی که سرمایهگذاران از بازگشت اصل و سود سرمایه دارند و پیامدها و هزینههایی که وقوع ورشکستگی برای شرکتها و اقتصاد کشور و سایر افراد و نهادها میتواند ایجاد نماید، طراحی یک مدل قابل اطمینان جهت پیشبینی احتمال وقوع ورشکستگی شرکتها برای راهنمایی برا چکیده کامل
با توجه به نگرانیهایی که سرمایهگذاران از بازگشت اصل و سود سرمایه دارند و پیامدها و هزینههایی که وقوع ورشکستگی برای شرکتها و اقتصاد کشور و سایر افراد و نهادها میتواند ایجاد نماید، طراحی یک مدل قابل اطمینان جهت پیشبینی احتمال وقوع ورشکستگی شرکتها برای راهنمایی برای تصمیمگیرندگانی همچون شرکت-های سرمایهگذاری، بانکها و دولت ضروری به نظر میرسد. در این پژوهش از روش شبکه عصبی مصنوعی و روش رگرسیون لوجیت جهت پیشبینی ورشکستگی تعدادی از شرکتهای پذیرفته شده در بورس اوراق بهادار تهران طی سالهای 1395 تا 1399 استفاده شده و نتایج با روش رگرسیون لوجیت مقایسه شده است. میزان دقت کلی پیشبینی روش شبکه عصبی مصنوعی برای هریک از سال-های t، t-1، t-2 و t-3 به ترتیب برابر با 55/96 % ، 55/96 % ،24/92 % و 24/92 % و برای روش رگرسیون لوجیت برای همین سالها به ترتیب 94% ، 82/94% ، 51/90% و 06/87% میباشد که نشان داد روش شبکه عصبی مصنوعی از دقت بالاتری نسبت به روش رگرسیون لوجیت برخوردار می باشد. لذا می توان نتیجه گرفت که روش شبکه عصبی مصنوعی ابزار مناسبتری برای پیشبینی ورشکستگی شرکتها در اختیار قرار میدهد.
پرونده مقاله
امروزه پیشرفت سریع فنآوری و تغییرات محیطی وسیع، منجر به رقابت روزافزون شده و دستیابی به سود را محدود و احتمال دچار شدن به بحران مالی را افزایش داده است. هدف این تحقیق بررسی قدرت پیشبینی بحران مالی توسط تکنیکهای مختلف هوش مصنوعی(الگوریتم ژنتیک خطی و غیر خطی و شبکه عصب چکیده کامل
امروزه پیشرفت سریع فنآوری و تغییرات محیطی وسیع، منجر به رقابت روزافزون شده و دستیابی به سود را محدود و احتمال دچار شدن به بحران مالی را افزایش داده است. هدف این تحقیق بررسی قدرت پیشبینی بحران مالی توسط تکنیکهای مختلف هوش مصنوعی(الگوریتم ژنتیک خطی و غیر خطی و شبکه عصبی) است. بر اساس اطلاعات و آمارهای در دسترس شرکتهای پذیرفته شده در بورس اوراق بهادار تهران در طی دوره 1389-1376، از بین شرکتهای مشمول ماده 141 قانون تجارت، 72 شرکت و از بین بقیه شرکتها نیز 72 شرکت انتخاب شد. نتایج آزمون مکنمار برای تکنیکهای الگوریتم ژنتیک غیرخطی و شبکه عصبی نشان میدهد که تفاوت معنیداری بین نتایج الگوریتم ژنتیک خطی و غیرخطی با شبکه عصبی وجود ندارد. اگر چه دقت پیشبینی الگوریتم ژنتیک غیرخطی(90 درصد) و الگوریتم ژنتیک خطی(80 درصد) بیشتر از شبکه عصبی(70 درصد) است ولی این تفاوت از لحاظ آماری معنیدار نیست.
پرونده مقاله
پژوهش حاضر با هدف بکارگیری شبکه عصبی کانولوشن برای پیش بینی ورشکستگی شرکتها با استفاده از نسبتهای مالی تصویری انجام میگیرد. در دنیای به سرعت در حال تغییر، برای شناسایی تصاویر، شبکههای عصبی کانولوشن در مسائل مربوط به بسیاری از رشتهها بکار میروند. دوره زمانی پژوهش 138 چکیده کامل
پژوهش حاضر با هدف بکارگیری شبکه عصبی کانولوشن برای پیش بینی ورشکستگی شرکتها با استفاده از نسبتهای مالی تصویری انجام میگیرد. در دنیای به سرعت در حال تغییر، برای شناسایی تصاویر، شبکههای عصبی کانولوشن در مسائل مربوط به بسیاری از رشتهها بکار میروند. دوره زمانی پژوهش 1388 تا 1397 و شرکتهای نمونه از بین شرکتهای پذیرفته شده در بورس اوراق بهادار تهران و در قالب دو گروه شامل 66 شرکت ورشکسته و 66 شرکت غیر ورشکسته انتخاب شدند. از آنجا که کار شبکه عصبی کانولوشن شناخت تصاویر از بین تصاویر موجود است لذا ابتدا نسبتهای مالی به عنوان داده های پژوهش از طریق نرم افزار متلب 2019 به تصویر تبدیل و سپس با کمک شبکه عصبی کانولوشن و تحت معماری گوگل نت اقدام به تشخیص و پیش بینی وضعیت شرکتهای نمونه گردید. نتایج حاصل از تحلیل یافتهها نشان داد که مدل شبکههای عصبی کانولوشن در پیش بینی و شناخت از روی تصاویر، پیش بینی درستی با دقت 50 درصد از بین شرکتها انجام داد. به عبارتی در پیش بینی وضعیت تداوم فعالیت شرکتها 50 درصد از شرکتهای ورشکسته و 50 درصد از شرکتهای غیر ورشکسته را درست تشخیص داد.
پرونده مقاله
هدف: هدف پژوهش حاضر بررسی نظاممند مدلهای پیشبینی ورشکستگی در راستای ایجاد مدلی است که بهعنوان راهنمایی برای انتخاب ابزار مناسب که بهترین انطباق را با دادههای موجود و معیارهای کیفیت مدلهای پیشبینی ورشکستگی دارد عمل کند.روششناسی پژوهش: برای انجام این پژوهش، جستجوی چکیده کامل
هدف: هدف پژوهش حاضر بررسی نظاممند مدلهای پیشبینی ورشکستگی در راستای ایجاد مدلی است که بهعنوان راهنمایی برای انتخاب ابزار مناسب که بهترین انطباق را با دادههای موجود و معیارهای کیفیت مدلهای پیشبینی ورشکستگی دارد عمل کند.روششناسی پژوهش: برای انجام این پژوهش، جستجوی سیستماتیک از database (web of Science) با استفاده از کلیدواژههای Bankruptcy، Default، Distress، Failure، Forecasting، Predicting، Prediction و Insolvency بین سالهای ۲۰15 لغایت 2023 صورت پذیرفت. باتوجهبه معیارهای ورود و خروج تعریفشده، حاصل این جستجو 1000 مقاله بود که درنهایت 49 مقاله از میان آنها انتخاب و مورد تجزیهوتحلیل قرار گرفت. سپس یافتههای بهدستآمده از مقالات، در جداول خلاصهسازی وارد گردیده و در گام بعدی، مدلهای بزرگ پیشبینی ورشکستگی بر اساس 9 معیار کلیدی با یکدیگر مقایسه و نتیجهگیری نهایی به عمل آمد.یافتهها: شبکه عصبی مصنوعی و ماشینهای بردار پشتیبان دارای بیشترین دقت میباشند درحالیکه تحلیل شخصیتی چندگانه دارای کمترین دقت است. همچنین شبکه عصبی مصنوعی و تحلیل شخصیتی چندگانه، درخت تصمیمگیری و رگرسیون لجستیک به نمونه آموزشی بزرگی نیاز دارند تا الگویی را منطقاً شناسایی کرده و طبقهبندی بسیار دقیقی ارائه دهند؛ اما استدلال مبتنی بر مورد، مجموعههای راف و ماشینهای بردار پشتیبان میتوانند با اندازه نمونههای کوچک کار کنند.اصالت / ارزشافزوده علمی: نتایج این پژوهش به درک کامل ویژگیهای ابزارهای مورداستفاده برای توسعه مدلهای پیشبینی ورشکستگی و کاستیهای مربوط به آنها کمک میکند.
پرونده مقاله
هدف تحقیق حاضر ارائه مدلی کارا و توانمند جهت پیش بینی ورشکستگی شرکت های تولیدی بورس اوراق بهادار تهران با استفاده از یک مدل جدید ترکیبی الگوریتم ژنتیک- شبکه گروهی دستکاری داده ها (GA-GMDH)، می باشد. هم چنین، با استفاده از تعدادی از پر کاربرد ترین روش های انتخاب متغیر در چکیده کامل
هدف تحقیق حاضر ارائه مدلی کارا و توانمند جهت پیش بینی ورشکستگی شرکت های تولیدی بورس اوراق بهادار تهران با استفاده از یک مدل جدید ترکیبی الگوریتم ژنتیک- شبکه گروهی دستکاری داده ها (GA-GMDH)، می باشد. هم چنین، با استفاده از تعدادی از پر کاربرد ترین روش های انتخاب متغیر در ادبیات پیش بینی ورشکستگی، مطالعه جامعی در جهت شناسائی بهترین متغیر های پیش بینی کننده ورشکستگی شرکت های بورس اوراق بهادار تهران صورت گرفته است. به منظور ساخت مدلهای پیش بینی در ابتدا با استفاده از چهار روش انتخاب متغیر 1-آزمون T نمونه های مستقل (T-test)، 2- ماتریس همبستگی(CM) ، 3- تحلیل تشخیصی گام به گام (SDA) و 4- تحلیل مولفه های اصلی (PCA)، نسبت های مالی نهایی از بین 19 نسبت مالی متناسب با بازار سرمایه کشور، انتخاب شده است. با استفاده از نسبتهای مالی انتخاب شده و مدل ترکیبی GA-GMDH، شبکه عصبی- فازی تطبیقپذیر ANFIS)) و رگرسیون لجستیک(LR)، 12 مدل جهت پیش بینی ورشکستگی استخراج شد و نتایج حاصل از آن ها مورد مقایسه قرار گرفت. نتایج حاصل از تحقیق، نشان دهنده قابلیت بالای مدل پیشنهادی GA-GMDH در مدلسازی پیشبینی ورشکستگی و برتری آن بر روش های ANFIS وLR میباشد. همچنین، نتایج تحقیق نشان می دهد که روش ماتریس همبستگی در مقایسه با سایر روشهای انتخاب متغیر، توانایی بیشتری در انتخاب متغیرهای موثر بر پیشبینی ورشکستگی شرکتها دارد. بنابراین، مدل CM-GA-GMDH به عنوان بهترین مدل پیش بینی کننده ورشکستگی شرکتهای بورس اوراق بهادار تهران شناخته می شود.
پرونده مقاله
سکوی نشر دانش
سند یا سکوی نشر دانش ،سامانه ای جهت مدیریت حوزه علمی و پژوهشی نشریات دانشگاه آزاد می باشد