توانایی ماشین بردار پشتیبان در پیش بینی احیای مالی (مقاله علمی وزارت علوم)
درجه علمی: نشریه علمی (وزارت علوم)
آرشیو
چکیده
یکی از مهمترین موضوعات حوزه مدیریت مالی، آن است که سرمایه گذاران بتوانند فرصت های مطلوب سرمایه گذاری را از فرصت های نامطلوب تشخیص دهند. یکی از راهکارهای کمک به سرمایه گذاران پیش بینی احیای مالی (خروج از درماندگی) شرکت های دارای درماندگی مالی است. از این رو، این پژوهش در صدد است مدلی جهت پیش بینی احیای مالی با استفاده از الگوریتم ماشین بردار پشتیبان برای شرکت های پذیرفته شده در بورس اوراق بهادار تهران ارائه نماید. برای دستیابی به این هدف،54 متغیر مالی با استفاده از الگوریتم انتخاب ویژگی لارس تعیین گردید و برای آزمون دقت نتایج مدل پیشنهادی از الگوریتم یادگیر ماشین بردار پشتیبان استفاده شده است. بدین منظور در دوره زمانی 1380 تا1397 اطلاعات 167 شرکت درمانده ای که از درماندگی مالی خارج و احیا شده اند، استخراج گردید. یافته های پژوهش نشان می دهد، مدل تحقیق با دقت 74% زمان احیا و خروج شرکت درمانده مالی را از درماندگی مالی به درستی پیش بینی می نماید. طبقه بندی موضوعی: G40 ، C15.The Ability of Support Vector Machine (SVM) in Financial Recoverey Prediction
One of the most important issues in the field of financial management is that investors can distinguish favorable investment opportunities from unfavorable ones. One way to help investors is to anticipate the financial recovery (exit from helplessness) of companies with financial distress. Therefore, this study intends to provide a model for predicting financial recovery using the support vector machine algorithm for companies listed on the Tehran Stock Exchange. To achieve this goal, 54 financial variables were determined using the Lars feature selection algorithm and to test the accuracy of the results of the proposed model, the support vector learning algorithm was used. For this purpose, in the period of 2001-2018, the information of 167 helpless companies that were out of financial helplessness and revived was extracted. The research findings show that the research model accurately predicts the recovery time of the financially helpless company from financial distress with 74% accuracy.
تبلیغات
