قدرت شبکه عصبی پیچشی در پیش بینی درماندگی مالی (مقاله علمی وزارت علوم)
درجه علمی: نشریه علمی (وزارت علوم)
آرشیو
چکیده
در این پژوهش ضمن نگاه بر سیر تکامل ادبیات پیش بینی درماندگی مالی، به ارائه یک مدل یادگیری عمیق پرداخته شده است. در این روش به شکلی مراحلی که روش های پیشین برای پیش بینی درماندگی طی کرده اند، کوتاه تر و خودکارتر شده است. در نهایت، به مقایسه دقت پیش بینی مدل توسعه داده شده با مدل های پیشین در این حوزه پرداخته شده است. در این پژوهش یک شبکه عصبی پیچشی به عنوان یک مدل یادگیری عمیق که داده های 14 متغیر مرتبط با پیش بینی درماندگی مالی را در طول 3 سال متوالی واکاوی می کند، برای پیش بینی درماندگی مالی مورداستفاده قرار گرفته است.بدر این راستا، به منظور جلوگیری از خطاهای احتمالی تعمیم پذیری، از روش K-fold برای نمونه گیری فرعی استفاده شده است که داده های 300 نمونه را مورد بررسی قرار می دهد. در نهایت، با استفاده از آزمون ناپارامتریک Wilcoxon به بررسی معنی دار بودن اختلاف دقت پیش بینی ارائه شده میان مدل توسعه داده شده و مدل های پیشین پرداخته شده است. نتایج این پژوهش نشان می دهد مدل شبکه عصبی پیچشی به شکل معنی داری در سطح اطمینان 95 درصد مدل های پیش بینی درماندگی سابق از جمله رگرسیون لجستیک و ماشین بردار پشتیبان را در دقت پیش بینی شکست می دهد.The Strength of Convolutional Neural Network in Financial Distress Prediction
Aim of study: In this study, by reviewing at the literature of financial distress prediction, a deep learning method has been developed that automates and shortens the earlier procedures of financial distress prediction. At last, the developed method is validated by comparing it to the earlier methods of this area. Methodology: The developed Convolutional Neural Network is used to extract knowledge within 14 related features to financial distress, through 3 consecutive years. In order to avoid the probable generalization error, the advantage of K-fold method to slice the entire 300 sample into sub-samples, was taken. Finally, the advantage of non-parametric Wilcoxon test was taken to verify the differences between the accuracy of the proposed method with the earlier ones. Result: Results of this study implies that the Convolutional Neural Network beats the other well-known methods in this area such as logistic regression and support vector machine with 95 percent confidence interval, in terms of prediction accuracy.
تبلیغات
