پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 161 |
| تعداد شماره‌ها | 6,533 |
| تعداد مقالات | 70,519 |
| تعداد مشاهده مقاله | 124,135,492 |
| تعداد دریافت فایل اصل مقاله | 97,241,006 |
کاربرد روش ترکیبی ماشین بردار پشتیبان و انتخاب ویژگی بهمنظور پیشبینی درماندگی مالی شرکت‌های پذیرفته شده در بورس اوراق بهادار تهران | ||
| تحقیقات مالی | ||
| مقاله 8، دوره 19، شماره 1، 1396، صفحه 139-156 اصل مقاله (346.08 K) | ||
| نوع مقاله: مقاله علمی پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22059/jfr.2015.52758 | ||
| نویسندگان | ||
| سعید فلاح پور1؛ عیسی نوروزی یان لکوان* 2؛ محمد هندیجانی زاده3 | ||
| 1استادیار مدیریت مالی، دانشکدۀ مدیریت، دانشگاه تهران، تهران، ایران | ||
| 2دانشجوی کارشناسی ارشد مهندسی مالی، دانشکدۀ مدیریت دانشگاه تهران، تهران،ایران | ||
| 3دانشجوی کارشناسی ارشد مهندسی مالی، دانشکدۀ مدیریت دانشگاه تهران،تهران، ایران | ||
| چکیده | ||
| 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. | ||
| کلیدواژه‌ها | ||
| الگوریتم ژنتیک؛ پوششدهنده؛ درماندگی مالی؛ فیلترکننده؛ ماشین بردار پشتیبان | ||
| مراجع | ||
|
پناهی، ح.، اسدزاده، ا.، جلیلی مرند، ع. (1393). پیشبینی پنج سالۀ ورشکستگی مالی برای شرکت‌های پذیرفته شده در بورس اوراق بهادار تهران. نشریۀ تحقیقات مالی، 16 (1)، 76-57. خوانساری، ر.، فلاح شمس، م. (1388). ارزیابی کاربرد مدل ساختاری KMV در پیشبینی نکول شرکت‌های پذیرفته شده در بورس اوراق بهادار تهران. نشریۀ تحقیقات مالی، 11 (28)، 68-49.راعی، ر.، فلاح‌پور، س. (1383). پیشبینی درماندگی مالی شرکت‌ها با استفاده از شبکۀ عصبی مصنوعی. نشریۀ تحقیقات مالی، 6 (1)، 69-39. راعی، ر.، فلاح‌پور، س. (1383). کاربرد ماشین بردار پشتیبان در پیشبینی درماندگی مالی شرکت‌ها با استفاده از نسبت‌های مالی . فصلنامۀ علمی پژوهشی بررسی‌های حسابداری و حسابرسی، 15 (53)، 34-17. سلیمانی امیری، ق. (1382). نسبت‌های مالی و پیشبینی بحران مالی شرکت‌ها در بورس اوراق بهادار تهران. نشریۀ تحقیقات مالی، 5 (1)، 136-121. فدائینژاد، ا.، اسکندری، ر. (1390). طراحی و تبیین مدل پیشبینی ورشکستگی شرکت‌ها در بورس اوراق بهادار تهران. تحقیقات حسابداری و حسابرسی، 3 (9)، 24-1. قدری مقدم، ا.، غلام‌پور فرد، م.، نصیرزاده، ف. (1387).بررسی توانایی مدلهای پیشبینی ورشکستگی آلتمن و اهلسون در پیشبینی ورشکستگی شرکت‌های پذیرفتهشده در بورس اوراق بهادار. مجلۀ دانش و توسعه، 16 (28)، 220-193.Altman, E. I. (1968). Financial ratios discriminant analysis and the prediction of corporate bankruptcy. Journal of Finance, 23(4), 589 - 609.
Beaver, W. (1966). Financial ratios as predictors of failure. Empirical Research in Accounting: Selected Studies, (4), 71–111.
Cristianini, N. & Shawe-Taylor, J. (2000). An Introduction to Support Vector Machines. Cambridge University Press, Cambridge.
Ding, Y., Song, X. & Zen, Y. (2008). Forecasting financial condition of Chinese listed companies based on support vector machine. Expert Systems with Applications, 34(4), 3081–3089.
Fadayi-Nejad, M. & Eskandari, R. (2011). Design and explained corporate bankruptcy prediction model in Tehran Stock Exchange. Iranian Accounting Association, 3 (9), 1-24. (in Persian)
Fitzpartrick, P. J. (1932). A comparison of ratios of successful industrial enterprises with those of failed companies. Journal of Accounting Research, 10, 598–605.
Ghadri Moghadam, A., Gholampour- Fard, M., Nasirzadeh, F. (2009). Evaluate of ability of altman and ohlsoon models in bankruptcy prediction of companies listed in the stock exchange. Journal of knowledge and development, 16 (28), 193- 220. (in Persian)
Gordon, M. J. (1971). Towards a theory of financial distress. The Journal of Finance, 26(2), 347-356.
Guyon, I. & Elisseeff, A. (2003). An introduction to variable and feature selection. Journal of Machine Learning Research, 3, 1157–1182.
Hua, Z., Wang, Y., Xu, X., Zhang, B., Liang, L. (2007). Predicting corporate financial distress based on integration of support vector machine and logistic regression. Expert Systems with Applications, 33 (2), 434-440.
Hui, X. & Sun, J. (2006). An application of support vector machine to companies’cial distress prediction. Lecture Notes in Artificial Intelligence, 3885, 274–282.
Khansari, R., Mirfeyz, F. (2009). Assessment of the structural model in predicting default KMV companies listed in Tehran Stock Exchange. Financial reaserch, 11 (28), 49-68. (in Persian)
Kohavi, K. & John, G. (1997). Wrappers for feature subset selection. Artificial Intelligence, 97 (1-2), 273–324.
Li, H., Li, C. J., Wu, X. J., Sun, J. (2014). Statistics-based Wrapper for feature selection: An implementation on financial distress identification with support vector machine. Applied soft computing, 19, 57–67.
Li, H., Sun, J. (2009). Predicting business failure using multiple case-based reasoning combined with support vector machine. Expert Systems with Applications, 36 (6), 10085–10096.
Min, J. H., Lee, Y. C. (2005). Bankruptcy prediction using support vector machine with optimal choice of kernel function parameters. Expert Systems with Applications, 28(4), 603–614.
Min, S. H., Lee, J., Han, I. (2006). Hybrid genetic algorithms and support vector machines for bankruptcy prediction. Expert Systems with Applications, 31(3), 652–660.
Nabavi Chashmi, A., Ahmadi, M., Mahdavi Farahabadi, S. (2010). Bankuraptcy prediction of companies with using of logit model. Journal of financial engineering and portfolio management, 1 (5), 55-81.
Ng, W.W.Y., Yeung, D. S., Firth, M., Tsang, C.C., Wang, X. (2008). Feature selection using localized generalization error for supervised classification problems using RBFNN, Pattern Recognition, 41(12), 3706–3719.
Ni, L. G., Ni, Z., Gao, W. Y.(2011). Stock trend prediction based on fractal feature selection and support vector machine. Expert Systems with Applications, 38(5), 5569-5576.
Oreski, S. & Oreski, G. (2014). Genetic algorithm-based heuristic for feature selection in credit risk assessment. Expert Systems with Applications, 41 (4), 2052-2064.
Oreski, S., Oreski, D. & Oreski, G. (2012). Hybrid system with genetic algorithm and artificial neural networks and its application to retail credit risk assessment. Expert systems with applicars, 39 (16), 12605-12617.
Panahi, H., Asadzadeh, A., Jalili Marand, A. (2014). Bankruptcy prediction prediction of listed companies in Tehran stock exchange market. Financial research, 1 (16), 57-76.(in Persian)
Premachandra, I. M., Bhabra, G. & Sueyoshi, T. (2009). DEA as a tool for bankruptcy assessment: a comparative study with logistic regression technique. European Journal of Operational Research, 192 (2), 412 - 424.
Raei, R. & Fallahpur, S. (2004). Use of neural network for financial distress prediction. Financial research, 6(1), 39-69. (in Persian)
Raei, R., Fallahpur, S. (2008). Application of support vector machine in financial distress prediction with using of financial ratios, Financial research, 15(53), 17-34. (in Persian)
Shin, K.S., Lee, T.S., Kim, H.J. (2005). An application of support vector machines in bankruptcy prediction model. Expert Systems with Applications, 28(1), 127-135.
Shoaf, J. S. & Foster, J. A. (1996). A genetic algorithm solution to the efficient set problem: A technique for portfolio selection based on the Markowitz model. In Proceedings of the decision sciences institute annual meeting, Orlando, Florida, 571-573.
Soleymani Amiri, GH. (2003). Financial ratios and financial crisis of companies in Tehran stock exchange market. Financial research, (15), 121-126. (in Persian) Sun, J., Hu, L. (2012). Financial distress prediction using support vector machines: ensemble vs. individual. Applied Soft, 12(8), 2254–2265.
Tan, T. Z., Quek, C., See Ng. G. (2007). Biological brain-inspired genetic complementary learning for stock market and bank failure prediction. Computational Intelligence, 23 (2), 236- 261.
Vapnik, V. N. (1998). Statistical Learning theory, Springer, NewYork.
Whitaker, R. (1999). The Early Stage of Financial Distress. Journal of Economics and Finance, 23 (2), 123-133.
Wu, C.H., Tzeng, G.H., Goo, Y.J., Fang, W.C. (2007). A real-valued genetic algorithm to optimize the parameters of support vector machine for predicting bankruptcy. Expert Systems with Applications, 32 (2), 397-408.
Yu, L. & Liu, H. (2003). Feature selection for high-dimensional data: A fast correlation-based filter solution. Proceedings, Twentieth International Conference on Machine Learning, Washington, DC, United States, 2, 856-863.
Zavgren, C.V. (1985). Assessing the vulner ability to failure of American industrial firm: a logistic analysis. Journal of Business Finance and Accounting, 12, 19-45. | ||
|
آمار تعداد مشاهده مقاله: 4,601 تعداد دریافت فایل اصل مقاله: 1,042 |
||