مدل شبکه های عصبی کانولوشن

هدف: هدف پژوهش حاضر، آزمون به کارگیری نسبت های مالی تصویری برای پیش بینی ورشکستگی شرکت ها با استفاده از شبکه عصبی کانولوشن و مقایسه آن با مدل های سنتی است. روش: دوره زمانی پژوهش 1388 تا 1397 بوده است. شرکت های نمونه از بین شرکت های پذیرفته شده در بورس اوراق بهادار تهران و در قالب دو گروه شامل 66 شرکت ورشکسته و 66 شرکت غیر ورشکسته انتخاب شده اند. از آنجا که کار شبکه عصبی کانولوشن شناخت تصاویر از بین تصاویر موجود است، ابتدا نسبت های مالی به عنوان داده های پژوهش از طریق نرم افزار متلب 2019 به تصویر تبدیل شد، سپس به کمک شبکه عصبی کانولوشن و تحت معماری گوگل نت به تشخیص و پیش بینی وضعیت شرکت های نمونه اقدام شد. یافته ها: مدل شبکه های عصبی کانولوشن از روی تصاویر، با دقت 50 درصد شناخت و پیش بینی درستی انجام دادند. از طرفی، برای تقویت نتایج و تعیین اثربخشی فرضیه نخست، سه فرضیه دیگر نیز برای مقایسه مدل های آلتمن، اسپرینگیت و زیمسکی مطرح شد که نتایج هر سه نشان دهنده عدم تأیید دقت بیشتر مدل کانولوشن در مقایسه با این سه مدل بود. نتیجه گیری: پیشرفت در رایانه و استفاده از یادگیری عمیق که به نوعی بهبود در هوش مصنوعی محسوب می شود، بر پیش بینی ورشکستگی از طریق نسبت های مالی تصویری تأثیرگذار است. با وجود این، برای تحکیم نتایج آزمون فرضیه اول، سه مدل کاربردی پیش بینی ورشکستگی شامل مدل آلتمن (1983)، اسپرینگیت (1978) و زیمسکی (1984) آزمون شد که نتایج هر سه دقت بیشتر مدل کانولوشن را در مقایسه با این سه مدل تأیید نکرد.