پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 158 |
| تعداد شماره‌ها | 6,230 |
| تعداد مقالات | 67,764 |
| تعداد مشاهده مقاله | 115,186,265 |
| تعداد دریافت فایل اصل مقاله | 89,935,015 |
پیش‌بینی ورشکستگی مالی شرکت‌های بورس اوراق بهادار تهران با استفاده از شبکههای عصبی مصنوعی | ||
| مدیریت صنعتی | ||
| مقاله 10، دوره 2، شماره 1 - شماره پیاپی 4، فروردین 1389 اصل مقاله (258.73 K) | ||
| نویسندگان | ||
| محمدرضا نیک بخت؛ مریم شریفی | ||
| دانشگاه تهران | ||
| چکیده | ||
| هدف اصلی این مقاله پیش‌بینی ورشکستگی مالی شرکتها در بورس اوراق بهادار تهران به وسیلهی شبکههای عصبی مصنوعی است. مقادیر میانگین مربوط به نسبتهای مالی کلیدی در پژوهشهای صورت گرفته در پیشینه موضوع بهعنوان ورودی شبکههای عصبی انتخاب شدهاند. شبکه عصبی بهکار گرفته شده در این مقاله از نوع پرسپترون چند لایه است که به روش الگوریتم پس انتشار خطا آموزش دیدهاند و شامل شبکه عصبی پیشخور سه لایه با ترکیب (1 : 4 : 5) در آرایش نرونهای ورودی، میانی و خروجی است. نمونه مورد نظر شامل دو گروه شرکت‌های ورشکسته و غیر ورشکسته است. گروه ورشکسته بر مبنای ماده 141 قاتون تجارت طی سالهای 1378 لغایت 1385 انتخاب شدهاند و گروه غیرورشکسته نیز بهصورت تصادفی انتخاب شدهاند. مجموعهای مساوی از دادههای فوق با استفاده از شبکههای عصبی و تحلیل تمایزی چندگانه مورد تحلیل قرار گرفتند. مقایسه توانمندی پیشبینیهای شبکه عصبی و تحلیل تمایزی چندگانه نیز ارایه شده است. همچنین صحت پیش‌بینی شبکههای عصبی با استفاده از نمودار ROC ارائه شده است. نتایج نشان دادند که تفاوت معناداری بین MDA و ANN وجود دارد. همچنین طبق نتایج کم بودن خطای نوع اول بر خطای نوع دوم پیش‌بینی اولویت دارد. | ||
| کلیدواژه‌ها | ||
| الگوریتم یادگیری پس انتشار خطا (BP)؛ بورس اوراق بهادار تهران.؛ پیش‌بینی ورشکستگی؛ مدل شبکههای عصبی مصنوعی (ANN) | ||
| عنوان مقاله [English] | ||
| Predicting corporate bankruptcy using Artificial Neural Networks (ANN) in Tehran Stock Exchange (TSE | ||
| نویسندگان [English] | ||
| mohammad reza nikbakht؛ Maryam Sharifi | ||
| چکیده [English] | ||
| The main purpose of this paper is prediction of TSE corporate financial bankruptcy using Artificial Neural Networks. The mean values of key ratios reported in past bankruptcy studies were selected for neural network inputs (Working capital to total assets, Net income to total assets, Total debt to total assets, Current assets to current liabilities, Quick assets to current liabilities). The neural network used in this paper is Multilayer Perceptron (MLP) that trained with back propagation algorithm, and contained three-layer feed forward neural network with 5,4,1 number of neurons in input, hidden and output layer respectively. The samples of this paper consist of bankrupt and non-bankrupt groups. Bankruptcy group was Manufacturing Corporations that were included Article 141 of Mercantile law within 1378-1385 and non-bankruptcy group selected by random sampling. The same set of data is analyzed using more traditional method of bankruptcy prediction, multivariate discriminate analysis. A comparison of the predictive abilities of both the neural network and the discriminate analysis method was presented. Also, prediction accuracy of neural network is presented by ROC curve. The results showed that there is significant difference between MDA and ANN, Also, according to the results, lower error type 1 has priority to error type 2. | ||
| کلیدواژه‌ها [English] | ||
| Artificial Neural Networks Model, Back propagation Algorithm., Bankruptcy prediction, Multivariate Discriminate Analysis | ||
|
آمار تعداد مشاهده مقاله: 3,957 تعداد دریافت فایل اصل مقاله: 3,736 |
||