文章基本信息

标题：پیش‌بینی ورشکستگی با مدل یادگیری ماشین سریع مبتنی بر کرنلِ بهینه‌شده با الگوریتم گرگ خاکستری
其他标题：پیش‌بینی ورشکستگی با مدل یادگیری ماشین سریع مبتنی بر کرنلِ بهینه‌شده با الگوریتم گرگ خاکستری
本地全文：下载
作者：Susmita Sarkar ; Sepide Fotoohi ; Shahram Saeidi 等
期刊名称：Financial Researches
印刷版ISSN：8153-1024
出版年度：2019
卷号：21
期号：2
页码：187-212
DOI：10.22059/frj.2019.277620.1006839
出版社：University of Tehran
摘要：هدف: در عصر حاضر، کسب‌وکارها به اندازه‌ای توسعه یافته‌اند که برای بقا در عرصه رقابت، به مدیریت صحیح منابع و مصارف خود نیازمندند؛ چراکه بازار رقابتی انعطاف‌پذیری شرکت‌ها را به‎شدت کاهش داده است و این عامل باعث شده که آنها در وضعیت‌های مختلف اقتصادی توانایی عکس‌العمل مناسب را نداشته باشند و از چرخه رقابت خارج شده و با خطر ورشکستگی مواجه شوند. بنابراین در این پژوهش تلاش شده است که به‌منظور پیشگیری از احتمال بروز چنین مخاطراتی، به پیش‌بینی ورشکستگی شرکت‌های تولیدی اقدام کنیم.
روش: در این پژوهش از «یادگیری ماشین سریع مبتنی بر کرنل» استفاده شده که یکی از مدل‌های هوش مصنوعی برای پیش‌بینی ورشکستگی است. با توجه به اینکه روش‌های یادگیری ماشین به الگوریتمی بهینه‌ساز نیاز دارند، در این پژوهش از یکی از به‌روزترین آنها به‎نام «الگوریتم گرگ خاکستری» بهره برده شده که در سال 2014 ابداع شده است.
یافته‌ها: مدل یاد شده روی داده‌های 136 نمونه از شرکت‌های بورسی در بازه زمانی 1394 تا پایان خرداد 1397، پیاده‌سازی شد و در تمامی معیارهای ارزیابی، مدل‌های طبقه‌بندی، دقت، خطاهای نوع اول و دوم و ناحیه تحت منحنی ROC، در مقایسه با الگوریتم ژنتیک، کارایی بهتری ارائه کرد و معناداری آن نیز از طریق آزمون t-test به تأیید رسید.
نتیجه‌گیری: با توجه به دقت بسیار خوب الگوریتم گرگ خاکستری و همچنین عملکرد بهتر آن در مقایسه با الگوریتم ژنتیک، می‌بایست برای پیش‌بینی ورشکستگی شرکت‌های تولیدی ایران، چه برای اهداف سرمایه‌گذاری و اعتباردهی و چه به‌منظور استفاده مدیریت داخلی شرکت، از الگوریتم گرگ خاکستری بهره برد.
其他摘要：Objective: In the present era, businesses have developed to a large extent which has, in turn, forced them to manage their resources and expenditures wisely for the sake of competition. This is mainly because the competitive market has severely reduced the flexibility of companies, which means that their ability respond to different economic situations has reduced and this puts most firms at the constant risk of bankruptcy and contraction. Therefore, in this study, we have tried to predict the bankruptcy of manufacturing companies through preventing the occurrence of such risks. Methods: In this study, the "Kernel Extreme Learning Machine" has been used as one of the artificial intelligence models for predicting bankruptcy. Given that machine learning methods require an optimization algorithm we have used one of the most up-to-date, "Gray Wolf Algorithm" which has been introduced in 2014. Results: The above model has been implemented on the 136 samples that were collected from the Tehran Stock Exchange between 2015 and 2018. All of the performance evaluation criteria including the classification, accuracy, type error, second-order error and area under the ROC curve showed better performance than the genetic algorithm which was presented and its significance was confirmed by t-test. Conclusion: Considering the gray wolf algorithm’s high accuracy and its performance compared to the genetic algorithm, it is necessary to use the gray wolf algorithm to predict the bankruptcy of Iranian manufacturing companies either for investment purposes and for validation purposes, or for using internal management of the company
关键词：‌بینی ورشکستگی;یادگیری ماشین;بهینه‌سازی گرگ خاکستری;نسبت‌های مالی
其他关键词：Bankruptcy prediction; Learning machine; Grey Wolf Optimizer (GWO); Financial ratios