رگرسیون لجستیک لاسو

هدف این مقاله، کشف درماندگی مالی بالقوه و هشدار زودهنگام درماندگی مالی قریب الوقوع شرکت های پذیرفته شده در فرابورس و بورس اوراق بهادار است. بدین منظور، دامنه گسترده ای از ویژگی ها از جمله متغیرهای حسابداری تعهدی، حسابداری نقدی، بازار سهام، مکانیسم های حاکمیت شرکتی و شاخص های اقتصاد کلان برای پیش بینی درماندگی مالی شرکت های نمونه شناسایی شده اند. نمونه نهایی شامل 421 شرکت و در نتیجه، 3670 شرکت-سال مشاهده است. سپس، داده آماده شده با استفاده از نسبت 70 به 30 به مجموعه داده آموزشی و آزمایشی تفکیک شد. در این پژوهش، تکینک های پیش پردازش داده یادگیری ماشین نظیر استانداردسازی نمره Z، وان-هات انکدینگ، اعتبارسنجی متقابل K لایه طبقه ای، همراه با مهندسی ویژگی برای بهبود عملکرد طبقه بندی کننده بکار گرفته شدند. روش اعتبارسنجی متقابل K لایه طبقه ای با (5=K) برای برآورد عملکرد پیش بینی مدل طی مرحله آموزش استفاده شد. طی مرحله آموزش، میزان سازی اَبرپارامتر مدل با استفاده از جستجوی حریص انجام شد. افزون بر این، رویکرد فرایادگیری حساس به هزینه همراه با معیار مختص مسائل نامتوازن یعنی نمره F1 برای غلبه بر مسأله نامتوازنی افراطی کلاس ها استفاده شده است. بر اساس نتایج تجربی، مدل لجستیک لاسو به نمره F1، ضریب همبستگی متیوز، فراخوانی و دقتی به ترتیب برابر با 50%، 50%، 73% و 38% بر روی مجموعه آموزشی دست یافت. سرانجام، مدل پیشنهادی بر روی مجموعه آزمایشی کنار گذاشته شده آزمون شد که به نمره F1، ضریب همبستگی متیوز، فراخوانی و دقتی به ترتیب برابر با 51%، 51%، 73% و 38% بر روی مجموعه آزمایشی منجر شد.