کاربرد الگوریتم های فراابتکاری در پیش بینی درماندگی مالی با استفاده از متغیرهای مالی و غیرمالی درون شرکتی و اقتصادی (الگوریتم های بهینه سازی م لخ و کلونی مورچگان) (مقاله علمی وزارت علوم)
درجه علمی: نشریه علمی (وزارت علوم)
آرشیو
چکیده
هدف این پژوهش ارزیابی توانمندی الگوریتم فراابتکاری بهینه سازی ملخ (GOA) در پیش بینی دقیق تر درماندگی مالی با استفاده از متغیرهای درون شرکتی (مالی و غیرمالی) و اقتصادی می باشد. روش این پژوهش بهبود عملکرد مدل پایه شبکه عصبی مصنوعی پرسپترون چندلایه (ANN-MLP) از طریق ایجاد مدل ترکیبی مبتنی بر الگوریتم ملخ (MLP-GOA) و مقایسه توانمندی آن با عملکرد مدل ترکیبی مبتنی بر الگوریتم کلونی مورچگان (MLP-ACO) می باشد. جامعه آماری پژوهش شرکت های فعال در بازار بورس اوراق بهادار تهران طی یک دوره 7 ساله (از 1391 تا 1397) شامل 476 شرکت بوده که در نهایت با حذف سیستماتیک، 289 شرکت حایز شرایط (شامل 2023 مشاهده سال- شرکت) مورد بررسی و غربالگری قرار گرفته است. آزمون فرضیه ها برمبنای معیارهای ارزیابی ماتریس اغتشاش و منحنی ROC انجام شد. یافته ها توانمندی مدل پایه ANN-MLP در پیش بینی درماندگی مالی با استفاده از متغیرهای مالی و غیرمالی را اثبات نمود و علاوه بر آن، الگوریتم-های فراابتکاری از طریق مدل های MLP-GOA و MLP-ACO عملکرد مدل پایه شبکه عصبی را بهبود دادند. دقت م دل MLP-GOA برای سال وقوع درماندگی تا دو سال قبل از آن به ترتیب 3/97%، 5/94% و 3/91% بوده است که از دقت مدل پایه و مدل MLP-ACO نیز بیشتر بوده است. همچنین نتایج نشان داد که با ورود متغیرهای اقتصادی، اگر چه توانمندی کلیه مدل های پایه و ترکیبی به نحو معنی داری افزایش یافته است، لیکن درماندگی مالی بیشتر متاثر از متغیرهای درون شرکتی بوده و در واقع اثر متغیرهای اقتصادی بر این رخداد، قبلاً از طریق اثر بر رویدادهای مالی ثبت شده در سیستم حسابداری، لحاظ شده است..Application of Meta-Heuristic Algorithms in Predicting Financial Distress using intra-corporate (Financial and non-financial) and Economic Variables (Grasshopper Optimization and Ant Colony Algorithms)
.
The purpose of this study is investigating the capability of Grasshopper Optimization Algorithm (GOA) in more accurately predicting the financial distress by-using intra-corporate (financial and non-financial) and economic variables. The method of this research is improving the performance of the basic model of Multilayer Perceptron Artificial Neural Network (ANN-MLP) by-using a hybrid model with GOA (MLP-GOA) and Ant Colony Optimization Algorithm (MLP-ACO). The statistical research population of companies active in Tehran Stock Exchange during a 7-year period (from 1391 to 1397) included 476 companies, and finally, after systematic elimination, there were 289 qualified companies (including 2023 observation year-company). Checked and screened. The results showed the ability of ANN-MLP model to predict financial distress by-using financial and non-financial variables, and in addition the hybrid models (MLP-GOA and MLP-ACO) had been improved this ability. The accuracy of the MLP-GOA model for the year t, year t-1and year t-2 (before financial distress occurs), respectively are 97.30%, 94.53% and 91.30% that higher than the accuracy of the basic model and the hybrid MLP-ACO model. Although, entering the economic variables has increased the capability of all models significantly but the results showed that the financial distress is more affected by intra-corporate variables and the effect of economic variables has already been considered through the effect on financial events recorded in the accounting system. The results of this study can be used by company managers, banks and rating and credit institutions, insurance companies, financial analysts, investors and investment companies in assessing the risk of financial distress to make appropriate decisions and actions.
تبلیغات
