فاطمه السادات میرمعینی

این پژوهش با توجه به لزوم نظارت مستمر یر داده های مالی و با تمرکز بر الگوریتم های هوش مصنوعی طی یک مطالعه تجربی و میدانی و با استفاده از با استفاده از یک مدل جدید مورد، داده های شرکت های فعال در سه صنعت فلزات اساسی، خودروسازی و فرآورده های نفتی را در یک بازه زمانی ده ساله موردارزیابی دقیق قرار داده است. پس از تعیین عوامل موثر مالی حاصل از تحلیل عاملی، از خطای میانگین مربعات و مقادیر پیش بینی شده شبکه عصبی LSTM جهت بهینه سازی تابع الگوریتم ازدحام ذرات و بهینه سازی نرخ یادگیری و تعداد لایه های پنهان شبکه های عصبی استفاده گردید. مدل یادگیری عمیق FA-PSO-LSTM مورد استفاده یک مدل ابتکاری و نسبتا جدید است که از مزایای شبکه LSTM در پردازش سری های زمانی به طور کامل می تواند بهره مند شده و به تکامل نطریه پردازی در این خصوص منتهی شود. نتایج حاکی از آن است که مدل پیشنهادی در صنعت فرآورده های نفتی با دقت بالا ریسک مالی را پیش بینی نموده و اهمیت متغیرهایی چون نقدینگی، جریان نقدی و سودآوری را برجسته ساخته است. در صنعت خودروسازی، شاخص هایی مانند نقدینگی، ظرفیت عملیاتی و توسعه پایدار اثرگذارتر بودند، در حالی که در صنعت فلزات اساسی بیشترین ثبات داده ها مشاهده و بهترین عملکرد مدل ثبت شد.در مجموع، متغیرهای نقدینگی، سودآوری، جریان نقدی، ظرفیت عملیاتی و قابلیت توسعه به عنوان عوامل کلیدی مشترک ریسک شناسایی گردیدند همچنین مشخص شد که که مدل پیشنهادی در مقایسه با روش های سنتی و سایر الگوریتم ها، دقت و کارایی بالاتری دارد.