حسین سبزواری

درماندگی مالی یکی از مهم ترین مراحل پیش از ورشکستگی شرکت ها محسوب می شود که شناسایی به موقع آن می تواند از بروز زیان های گسترده برای سرمایه گذاران، اعتباردهندگان و سایر ذی نفعان جلوگیری کند. در سال های اخیر، روش های یادگیری ماشین به دلیل توانایی بالا در استخراج الگوهای پیچیده از داده های مالی، به طور گسترده در حوزه پیش بینی درماندگی مالی مورد استفاده قرار گرفته اند. در این پژوهش، از ماشین بردار پشتیبان به عنوان یکی از کارآمدترین الگوریتم های طبقه بندی استفاده شده است. با توجه به حساسیت عملکرد SVM نسبت به پارامترهای تنظیمی، از الگوریتم های فراابتکاری برای بهینه سازی پارامترهای مدل بهره گرفته می شود. هدف اصلی این مطالعه، ارائه مدلی ترکیبی مبتنی بر SVM و الگوریتم های فرا ابتکاری به منظور افزایش دقت پیش بینی درماندگی مالی شرکت های پذیرفته شده در بورس اوراق بهادار تهران است. نتایج مطالعات پیشین نشان می دهد که استفاده از الگوریتم های فراابتکاری نظیر الگوریتم ژنتیک، بهینه سازی ازدحام ذرات و الگوریتم کلونی مورچگان می تواند عملکرد مدل SVM را به طور قابل توجهی بهبود بخشد و دقت پیش بینی را افزایش دهد.