رویکرد هوش مصنوعی

هدف اصلی مقاله شناسایی متغیرهای مالی موثر در پیش بینی احیای مالی شرکت های پذیرفته شده در بورس اوراق بهادار تهران و بهره مندی از رویکرد هوش مصنوعی در تحلیل داده های مربوط به 173 شرکت درمانده احیاشده طی دوره زمانی 1383 – 1399 بود. در این رویکرد، نخست با استفاده از الگوریتم های انتخاب ویژگی های لارس و رلیف، از میانِ 54 متغیر مالیِ منتخب، 10 متغیر مهم و موثر در احیای مالی شرکت های نمونه، شناسایی شد. در ادامه، برای ارزیابی دقت نتایج متغیرهای شناسایی شده در پیش بینی احیای مالی از الگوریتم های یادگیر ماشین بردار پشتیبان و درخت تصمیم استفاده شد. نتایج نشان داد متغیرهای برگزیده با روش انتخاب ویژگی لارس و ارزیابی دقت با الگوریتم ماشین بردار پشتیبان نسبت به روش انتخاب ویژگی رلیف و ارزیابی دقت با الگوریتم درخت تصمیم، عملکرد بهتری در پیش بینی زمان خروج از درماندگی داشته است. همچنین، نتایج آشکار کرد که بدون لحاظ کردنِ روش های انتخاب ویژگی، ماشین یادگیر بردار پشتیبان در مقامِ مقایسه با درخت تصمیم، در پیش بینی زمان خروج از درماندگی، از قدرت پیش بینی بالاتری برخوردار است. براساس نتایج، به سرمایه گذاران بازار سرمایه در انتخاب پرتفوی سرمایه گذاری پیشنهاد می شود برمبنای متغیرهای مالی موثر در پیش بینی احیای مالی و ماشین یادگیر بردار پشتیبان، شرکت های مستعد خروج از درماندگی را شناسایی و اقدام به سرمایه گذاری نمایند.