تبیین متغیرهای مالی موثر در پیشبینی احیای مالی با استفاده از رویکرد هوش مصنوعی (مقاله علمی وزارت علوم)
درجه علمی: نشریه علمی (وزارت علوم)
آرشیو
چکیده
هدف اصلی مقاله شناسایی متغیرهای مالی موثر در پیش بینی احیای مالی شرکت های پذیرفته شده در بورس اوراق بهادار تهران و بهره مندی از رویکرد هوش مصنوعی در تحلیل داده های مربوط به 173 شرکت درمانده احیاشده طی دوره زمانی 1383 – 1399 بود. در این رویکرد، نخست با استفاده از الگوریتم های انتخاب ویژگی های لارس و رلیف، از میانِ 54 متغیر مالیِ منتخب، 10 متغیر مهم و موثر در احیای مالی شرکت های نمونه، شناسایی شد. در ادامه، برای ارزیابی دقت نتایج متغیرهای شناسایی شده در پیش بینی احیای مالی از الگوریتم های یادگیر ماشین بردار پشتیبان و درخت تصمیم استفاده شد. نتایج نشان داد متغیرهای برگزیده با روش انتخاب ویژگی لارس و ارزیابی دقت با الگوریتم ماشین بردار پشتیبان نسبت به روش انتخاب ویژگی رلیف و ارزیابی دقت با الگوریتم درخت تصمیم، عملکرد بهتری در پیش بینی زمان خروج از درماندگی داشته است. همچنین، نتایج آشکار کرد که بدون لحاظ کردنِ روش های انتخاب ویژگی، ماشین یادگیر بردار پشتیبان در مقامِ مقایسه با درخت تصمیم، در پیش بینی زمان خروج از درماندگی، از قدرت پیش بینی بالاتری برخوردار است. براساس نتایج، به سرمایه گذاران بازار سرمایه در انتخاب پرتفوی سرمایه گذاری پیشنهاد می شود برمبنای متغیرهای مالی موثر در پیش بینی احیای مالی و ماشین یادگیر بردار پشتیبان، شرکت های مستعد خروج از درماندگی را شناسایی و اقدام به سرمایه گذاری نمایند.Explanation of Financial Variables Effective in Predicting Turnaround: An Artificial Intelligence Approach
The main aim of the research was to identify the financial variables that are effective in predicting turnaround of the listed companies in the Tehran Stock Exchange and to predict turnaround by using artificial intelligence method. For this purpose, the information of 173 Distress Companies that came out of distress and turnaround was extracted during 1383 to 1399. Artificial Intelligence approach was used to analyze the data. In this approach, by using Lars and Relief Feature Selection Algorithms, 10 out of 54 financial variables which were effective in turnaround of companies were identified and then, the Learning Algorithm of Support Vector Machine and Decision Tree were used to evaluate the accuracy of the results of the identified variables in predicting turnaround. The results showed that Lars Feature Selection Method and Vector Machine Algorithm Support have better performance in predicting the time to exit from distress as compared to the Relief Feature Selection Method and Decision Tree Algorithm. Also, regardless of feature selection methods, support vector learning machine has a higher predictive power as compared to decision tree.
تبلیغات
