文章基本信息

标题：Use of Combined Approach of Support Vector Machine and Feature Selection for Financial Distress Prediction of Listed Companies in Tehran Stock Exchange Market
其他标题：کاربرد روش ترکیبی ماشین بردار پشتیبان و انتخاب ویژگی به‎منظور پیش‌بینی درماندگی مالی شرکت‎های پذیرفته شده در بورس اوراق بهادار تهران
本地全文：下载
作者：Saeid Fallahpour ; Eisa Norouzian Lakvan ; Mohammad Hendijani Zadeh 等
期刊名称：Financial Researches
印刷版ISSN：8153-1024
出版年度：2017
卷号：19
期号：1
页码：139-156
出版社：University of Tehran
摘要：Financial distress prediction (FDP) is a great important subject that has always been interesting to researchers, financial institutions and banks. Tough many works have been done in this area, but use of combined approach of feature selection and classifier is an issue that has attracted researchers' attention just in recent years. In this paper, four well-known kinds of SVM that each of them has it's own kernel function including: linear, polynomial, radial and sigmoid have been introduced as the main classifiers of our proposed approach. These four methods have been integrated with genetic algorithm (GA) as a wrapper feature selection approach as well as three techniques of filtering feature selection approach called: principle component analysis (PCA), information gain and relief. Brought results indicated that genetic algorithm outperformed the other feature selection techniques in it's combination with SVM methods. Furthermore, implemented hypothesis test implied that there was no significance level among GA-SVM (linear), GA-SVM (radial), GA-SVM (polynomial) and GA-SVM (sigmoid) techniques with confidence level of %95.
其他摘要：پیشبینی درماندگی مالی از مسائل مهمی است که همواره پژوهشگران، مؤسسه‎های اعتباری و بانکها به آن توجه کرده‎اند. تاکنون تحقیقات بسیاری در این زمینه صورت گرفته است، ولی استفاده از مدلهای ترکیب‎شدۀ انتخاب ویژگی و مدل طبقه‎بندیکننده، از مسائلی است که فقط در سالهای اخیر توجه پژوهشگران را به خود جلب کرده است. در این مقاله ماشین بردار پشتیبان با چهار تابع کرنل خطی، چندجملهای، شعاعی و سیگمویید به‎‎عنوال مدل ‎طبقه‎بندیکننده و ترکیب آن با روشهای انتخاب ویژگی فیلترکننده و پوششدهنده استفاده شده است. همچنین از الگوریتم ژنتیک که یکی از انواع روشهای پوششدهندۀ انتخاب ویژگی است و روشهای آنالیز اجزای اساسی، زنجیرۀ اطلاعات و رلیف که جزء روشهای فیلترکنندۀ انتخاب ویژگی هستند، استفاده شده است. نتایج به‎دست آمده نشان داد که روش الگوریتم ژنتیک نسبت به روشهای فیلترکننده، عملکرد بهتری دارد. همچنین دقت ماشین بردار پشتیبان با توابع کرنل خطی، چندجملهای، شعاعی و سیگمویید در ترکیب با الگوریتم ژنتیک، با سطح اطمینان 95 درصد تفاوت معناداری با هم ندارند.
关键词：genetic algorithm ; wrapper ; financial distress ; filter ; Support Vector Machine
其他关键词：الگوریتم ژنتیک;پوشش‌دهنده;درماندگی مالی;فیلترکننده;ماشین بردار پشتیبان