پیش بینی درماندگی مالی بر مبنای تئوری مجموعه های راف در مقایسه با شبکه های عصبی مصنوعی (مقاله علمی وزارت علوم)
درجه علمی: نشریه علمی (وزارت علوم)
آرشیو
چکیده
در عصری که شرکت ها برای بقا در بازارهای رقابتی با چالش های فراوانی روبه رو هستند، شناسایی عوامل تاثیرگذار بر بحران های مالی اهمیت می یابد. یکی از راه های کمک به سرمایه-گذاران و شرکت ها ارائه، الگوهایی جهت پیش بینی درماندگی مالی است. هدف این پژوهش، بررسی توانایی تئوری مجموعه راف و مقایسه آن با شبکه های عصبی مصنوعی و فازی جهت پیش بینی درماندگی مالی شرکت های فعال در بورس اوراق بهادار تهران است. بدین منظور 329 جفت شرکت سالم و درمانده مالی طی بازه زمانی سال های 1385-1399 انتخاب شده است. شبکه-های عصبی بررسی شده در این پژوهش عبارتنداز: شبکه عصبی پرسپترون چندلایه (MLP) و شبکه عملکرد پایه شعاعی (RBF) و شبکه استنتاج فازی انطباق پذیر(ANFIS) و همچنین نرم افزار مورد استفاده جهت ایجاد تئوری مجموعه راف ROSETTA و نرم افزار مورد استفاده جهت طراحی شبکه های عصبی مصنوعی و فازی نرم افزار MATLAB می باشد. نتایج به دست آمده در این پژوهش نشان از کارایی بالای مدل مجموعه های راف با دقت 7/98درصد جهت پیش بینی درماندگی مالی دارد.Prediction of financial distressed based on the theory of rough sets compared to artificial neural networks
In the era when companies are facing many challenges to survive in competitive markets, it is important to identify the factors affecting financial crises. One of the ways to help investors and companies is to provide models to predict financial distress. The purpose of this research is to investigate the ability of rough set theory and compare it with artificial and fuzzy neural networks to predict the financial distress of companies active in the Tehran Stock Exchange. For this purpose, 329 distressed companies from non-distressed corporations were selected during the period of 2006 to 2020. The neural networks investigated in this research are: Multi-layer Perceptron (MLP) neural network, Radial Basis Function (RBF) network, and Adaptive Fuzzy Inference Network (ANFIS) as well as the software used to create the ROSETTA rough set and the software The tool used to design artificial and fuzzy neural networks is MATLAB software. The results obtained in this research show the high efficiency of the rough sets model with 98/7 percent accuracy for predicting financial distress.
تبلیغات
