مقایسه کارایی مدل های یادگیری ماشین و مدل های آماری در پیش بینی ریسک مالی (مقاله علمی وزارت علوم)
درجه علمی: نشریه علمی (وزارت علوم)
آرشیو
چکیده
هدف این پژوهش، مقایسه کارایی مدل های یادگیری ماشین (32 مدل) و مدل های آماری (14 مدل)، در پیش بینی ریسک مالی 145 شرکت پذیرفته شده در بورس اوراق بهادار تهران طی بازه زمانی 1389 تا 1398 و انتخاب بهترین مدل با استفاده از تکنیک های بهینه سازی پیشرفته می باشد. یافته های پژوهش با استفاده از آزمون مقایسه دقت ضرایب پیش بینی، بیانگر آن است که با اطمینان 99 درصد، دقت پیشبینی مدلهای یادگیری ماشین، بیشتر از مدلهای آماری است. همچنین بهترین مدل یادگیری ماشین پس از بهینه سازی، مدل ماشین بردار پشتیبان تکاملی با دقت پیش بینی 99.86درصد و مقدار سطح زیر منحنی برابر0.998بوده است. علاوه بر این، نسبت های مالی تعهدی با دقت پیش بینی99.45درصد و نسبت های مالی فعالیت با دقت پیش بینی 98.62درصد توانستند در مقایسه با سایر نسبت های مالی در استفاده از ماشین بردار پشتیبان تکاملی به منظور پیش بینی ریسک مالی عملکرد بهتری داشته باشند. از سوی دیگر ریسک مالی پیش بینی شده بر اساس صنایع مختلف، متفاوت بوده است. بنابراین مشخص شد که مدل های یادگیری ماشین به دلیل عدم برخورداری از محدودیت هایی که مدل های آماری با آن مواجهه هستند می توانند به عنوان ابزاری مهم، در پیش بینی ریسک مالی شرکت ها به کار روند.Comparison of the Effectiveness of Machine Learning Models and Statistical Models in Predicting Financial Risk
The purpose of this study was to compare the efficiency of machine learning models (32 models) and statistical models (14 models) in predicting the financial risk of listed 145 companies in Tehran Stock Exchange during the period 2010 to 2020 and selecting the best model using advanced optimization techniques. Findings of the research using the test of comparing the accuracy of prediction coefficients, indicates that with 99 percent confidence, the prediction accuracy of machine learning models is higher than statistical models. Also, the best machine learning model after optimization was the evolutionary support vector machine model with 99.86 percent prediction accuracy and the value of the area under the curve was 0.998. In addition, accrual financial ratios with 99.45 percent predictive accuracy and operating financial ratios with 98.62 percent predictive accuracy were able to perform better than other financial ratios in using the evolutionary support vector to predict financial risk. on the other side, the projected financial risk varied according to different industries. Therefore, it was found that machine learning models can be used as an important tool in predicting corporate financial risk due to the lack of limitations that statistical models face.
تبلیغات
