پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 158 |
| تعداد شماره‌ها | 6,225 |
| تعداد مقالات | 67,685 |
| تعداد مشاهده مقاله | 114,996,476 |
| تعداد دریافت فایل اصل مقاله | 89,668,757 |
استفاده از روش ترکیبی انتخاب ویژگی پیدرپی پیشرو شناور و ماشین بردار پشتیبان در پیشبینی درماندگی مالی شرکتهای پذیرفته شده در بورس اوراق بهادار تهران | ||
| تحقیقات مالی | ||
| مقاله 2، دوره 20، شماره 3، 1397، صفحه 289-304 اصل مقاله (1 M) | ||
| نوع مقاله: مقاله علمی پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22059/frj.2018.113928.1005868 | ||
| نویسندگان | ||
| سعید فلاح پور1؛ رضا راعی2؛ عیسی نوروزیان* 3 | ||
| 1استادیار، گروه مدیریت مالی، دانشکده مدیریت، دانشگاه تهران، تهران، ایران | ||
| 2استاد، گروه مدیریت مالی، دانشکده مدیریت دانشگاه تهران، تهران، ایران | ||
| 3دانشجوی کارشناسی ارشد، گروه مهندسی مالی، دانشگاه تهران، تهران، ایران | ||
| چکیده | ||
| هدف: پیشبینی درماندگی مالی شرکتها، یکی از مهمترین مسائل تحقیقاتی در حوزه مدیریت ریسک بوده و همواره در کانون توجه بانکها، شرکتها، مدیران و سرمایهگذاران قرار داشته است. هدف اصلی این پژوهش ارائه یک مدل پیشبینی کننده با عملکرد بالا و مقایسه نتایج بهدست آمده از آن با سایر مدلهای رایج در پیشبینی درماندگی مالی است. روش: به همین منظور از روشهای انتخاب ویژگی پیدرپی پیشرو شناور که مدل تعمیمیافته روش انتخاب ویژگی پیشرو پیدرپی بوده و از دسته روشهای پوششدهنده است و روش انتخاب ویژگی پیشرو پیدرپی در ترکیب با ماشین بردار پشتیبان استفاده شد. این مدلها از نوع مدلهای ترکیبی انتخاب ویژگی و طبقهبندی کننده هستند. همچنین در این پژوهش از مدل رگرسیون لجستیک که یکی از مدلهای آماری طبقهبندی است نیز استفاده شده است. یافتهها: پس از بررسی نسبت‌های مالی مهم در نهایت 29 نسبت مالی که در تحقیقات گذشته بیشتر استفاده شده بودند، انتخاب گردیند. آزمون مقایسات زوجی نشان می‌دهد که دقت مدل پیشنهادی این پژوهش با سطح اطمینان 95 درصد بهتر از دیگر مدلهای استفاده شده در این پژوهش می‌باشد. نتیجهگیری: نتایج نشان داد که مدل پیشنهادی این تحقیق در یک سال، دو سال و سه سال قبل از درماندگی مالی به طور معناداری از عملکرد بهتری در پیشبینی درماندگی مالی نسبت به روش انتخاب ویژگی پیشرو پی درپی و مدل رگرسیون لجستیک برخوردار است. | ||
| کلیدواژه‌ها | ||
| انتخاب پیدرپی پیشرو شناور؛ پوششدهنده؛ درماندگی مالی؛ ماشین بردار پشتیبان؛ مدلهای ترکیبی | ||
| عنوان مقاله [English] | ||
| Applying Combined Approach of Sequential Floating Forward Selection and Support Vector Machine to Predict Financial Distress of Listed Companies in Tehran Stock Exchange Market | ||
| نویسندگان [English] | ||
| Saeid Fallahpour1؛ Reza Raei2؛ Eisa Norouzian3 | ||
| 1Assistant Prof., Department of Finance, Faculty of Management, University of Tehran, Tehran, Iran | ||
| 2Prof., Department of Finance, Faculty of Management, University of Tehran, Tehran, Iran | ||
| 3MSc. Student, Department of Financial Engineering, Faculty of Management, University of Tehran, Tehran, Iran | ||
| چکیده [English] | ||
| Objective: Nowadays, financial distress prediction is one of the most important research issues in the field of risk management that has always been interesting to banks, companies, corporations, managers and investors. The main objective of this study is to develop a high performance predictive model and to compare the results with other commonly used models in financial distress prediction Methods: For this purpose, sequential floating forward selection that is considered as the generalized form of sequential forward selection method and as one of the wrapper methods, and sequential forward selection methodin combination with support vector machine were used. These models are combined models of feature selection and classifier. Logistic regression model which is a statistical classification models, has also been used in the present study. Results: After reviewing the important financial ratios, 29 financial ratios that were mostly used in previous researches were chosen. Paired T-test results showed thatwith a 95% confidence level. The proposed model provides higher accuracy than other models used in this study. Conclusion: Results showed that the proposed model of this research has significantly better performance in predicting financial distress than the sequential forward selection method and Logistic regression model in one year, two years and three years before financial distress. | ||
| کلیدواژه‌ها [English] | ||
| Feature Selection, Sequential floating forward selection, Wrapper, Financial distress, Hybrid models | ||
| مراجع | ||
|
پناهی، حسین؛ اسدزاده، احمد؛ جلیلی مرند، علیرضا (1393). پیشبینی پنج ساله ورشکستگی مالی برای شرکتهای پذیرفته شده در بورس اوراق بهادار تهران. نشریه تحقیقات مالی، 16 (1)، 57-76. خوانساری، رسول؛ فلاح شمس، میرفیض (1388). ارزیابی کاربرد مدل ساختاری KMV در پیشبینی نکول شرکتهای پذیرفته شده در بورس اوراق بهادار تهران. نشریه تحقیقات مالی، 11(28)، 49 - 68. راعی، رضا؛ فلاح پور، سعید (1383). پیشبینی درماندگی مالی شرکتها با استفاده از شبکه عصبی مصنوعی. نشریه تحقیقات مالی، 6(1)، 39-69. راعی، رضا؛ فلاح پور، سعید (1383). کاربرد ماشین بردار پشتیبان در پیشبینی درماندگی مالی شرکتها با استفاده از نسبت‌های مالی. فصلنامه علمی پژوهشی بررسیهای حسابداری و حسابرسی، 15(53)، 17-34. سعیدی، علی؛ آقایی، آرزو (1388). پیشبینی درماندگی مالی شرکتهای پذیرفته شده در بورس اوراق بهادار تهران با استفاده از شبکههای بیز. بررسیهای حسابداری و حسابرسی، 16(3)، 59 - 78. سلیمانی امیری، غلامرضا (1382). نسبت‌های مالی و پیشبینی بحران مالی شرکتها در بورس اوراق بهادار تهران. نشریه تحقیقات مالی، 5(1)، 121- 136. قدیری مقدم، ابوالفضل؛ غلامپور فرد، محمد مسعود؛ نصیرزاده، فرزانه (1387). بررسی توانایی‌های مدلهای پیشبینی ورشکستگی آلتمن و اهلسوندر پیشبینی شرکتهای پذیرفته شده در بورس اوراق بهادار. مجله دانش و توسعه، 16 (28)، 193- 220. مرادی، محسن؛ شفیعی سردشت، مرتضی؛ ابراهیمپور، ملیحه (1391). پیشبینی درماندگی مالی شرکتها بهوسیله مدلهای ماشین بردار پشتیبان و تحلیل ممیز چندگانه. فصلنامه بورس اوراق بهادار، 18 (5)، 113– 136.
References 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, 571–111.
Chen, W., Du, Y. (2009). Using Neural Networks and Data Mining Techniques for the Financial Distress Prediction Model. Expert Systems with Applications, 36(2), 4075–4088.
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.
Fu, J., Yu, Y., Maulin, H., Chai, J., & Chang Chen, C. (2014). Feature extraction and pattern classification of colorectal polyps in colonoscopic imaging. Computerized medical imaging and graphics, 38 (4), 267-275.
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)
Guyon, B., Elisseeff, A. (2003). An introduction to variable and feature selection. Journal of Machine Learning Research, 3(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’ financial distress prediction, Lecture Notes in Artificial Intelligence, 3885(3), 274–282.
Khansari, R., Mirfeyz, F. (2009). Assessment of the structural model in predicting default KMV companies listed in Tehran Stock Exchange.Financial research, 11 (28), 49-68. (inPersian) Kohavi, K., John, G. (1997). Wrappers for feature subset selection, Artificial Intelligence, 97(1-2), 273–324.
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.
Moradi, M., Shafiei Sardasht, M., Ebrahimpour, M. (2012). Financial distress prediction using support vector machine models and multiple discriminate analysis. Quarterly Journal Stock Exchange, 18(5), 113-136. (in Persian)
Ohlson, J. (1980). Financial Ratios and the Probabilistic Prediction of Bankruptcy, Journal of Accounting Research, 18(1), 109-131.
Panahi, H., Asadzadeh, A., Jalili Marand, A. (2014). Bankruptcy prediction of listed companies in Tehran stock exchange market. Financial Research, 16 (1), 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, (17), 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), 17-34. (in Persian)
Saidi, A., Aghaiy, A. (2009). Financial distress prediction of listed companies in Tehran Stock Exchange by using Bayesian networks. Review of accounting and auditing, 16(3), 59-78. (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.
Soleymani Amiri, GH. (2003). Financial ratios and financial crisis of companies in Tehran stock exchange market. Financial research, (15), 121-126. (in Persian)
Ververidis, D., Kotropoulos, C. (2008). Fast and accurate sequential floating forward feature selection with the Bayes classifier applied to speech emotion recognition. Signal processing, 88 (12), 2956-2970.
Wu, C. H., Tzeng, G. H., Goo, Y. J. (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.
| ||
|
آمار تعداد مشاهده مقاله: 913 تعداد دریافت فایل اصل مقاله: 643 |
||