پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 158 |
| تعداد شماره‌ها | 6,240 |
| تعداد مقالات | 67,871 |
| تعداد مشاهده مقاله | 115,436,115 |
| تعداد دریافت فایل اصل مقاله | 90,205,194 |
نقش نسبتهای مالی تصویری در پیشبینی ورشکستگی شرکت‌ها با استفاده از مدل شبکههای عصبی کانولوشن و مقایسه آن با مدل‌های سنتی | ||
| بررسیهای حسابداری و حسابرسی | ||
| دوره 28، شماره 3، 1400، صفحه 553-573 اصل مقاله (561.09 K) | ||
| نوع مقاله: مقاله علمی پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22059/acctgrev.2021.303960.1008384 | ||
| نویسندگان | ||
| عباسعلی حق‌پرست* 1؛ علیرضا مومنی2؛ عزیز گرد2؛ فردین منصوری3 | ||
| 1دانشجوی دکتری، گروه حسابداری، واحد بینالمللی چابهار، دانشگاه آزاد اسلامی، چابهار، ایران. | ||
| 2استادیار، گروه حسابداری، دانشگاه پیام نور، تهران، ایران. | ||
| 3استادیار، گروه حسابداری، دانشگاه سیستان و بلوچستان، زاهدان، ایران. | ||
| چکیده | ||
| هدف: هدف پژوهش حاضر، آزمون بهکارگیری نسبتهای مالی تصویری برای پیشبینی ورشکستگی شرکت‌ها با استفاده از شبکه عصبی کانولوشن و مقایسۀ آن با مدل‌های سنتی است. روش: دوره زمانی پژوهش 1388 تا 1397 بوده است. شرکت‌های نمونه از بین شرکت‌های پذیرفته شده در بورس اوراق بهادار تهران و در قالب دو گروه شامل 66 شرکت ورشکسته و 66 شرکت غیر ورشکسته انتخاب شدهاند. از آنجا که کار شبکه عصبی کانولوشن شناخت تصاویر از بین تصاویر موجود است، ابتدا نسبتهای مالی بهعنوان دادههای پژوهش از طریق نرمافزار متلب 2019 به تصویر تبدیل شد، سپس بهکمک شبکه عصبی کانولوشن و تحت معماری گوگلنت به تشخیص و پیشبینی وضعیت شرکت‌های نمونه اقدام شد. یافته‌ها: مدل شبکههای عصبی کانولوشن از روی تصاویر، با دقت 50 درصد شناخت و پیشبینی درستی انجام دادند. از طرفی، برای تقویت نتایج و تعیین اثربخشی فرضیه نخست، سه فرضیه دیگر نیز برای مقایسه مدل‌های آلتمن، اسپرینگیت و زیمسکی مطرح شد که نتایج هر سه نشاندهندۀ عدم تأیید دقت بیشتر مدل کانولوشن در مقایسه با این سه مدل بود. نتیجه‌گیری: پیشرفت در رایانه و استفاده از یادگیری عمیق که به نوعی بهبود در هوش مصنوعی محسوب میشود، بر پیشبینی ورشکستگی از طریق نسبتهای مالی تصویری تأثیرگذار است. با وجود این، برای تحکیم نتایج آزمون فرضیۀ اول، سه مدل کاربردی پیشبینی ورشکستگی شامل مدل آلتمن (1983)، اسپرینگیت (1978) و زیمسکی (1984) آزمون شد که نتایج هر سه دقت بیشتر مدل کانولوشن را در مقایسه با این سه مدل تأیید نکرد. | ||
| کلیدواژه‌ها | ||
| نسبتهای مالی تصویری؛ پیشبینی ورشکستگی شرکت‌ها؛ مدل شبکههای عصبی کانولوشن | ||
| عنوان مقاله [English] | ||
| The Role of Visual Financial Ratios in Predicting Corporate Bankruptcy Using Convolutional Neural Network Models and Comparing them with Traditional Models | ||
| نویسندگان [English] | ||
| Abbasali Haghparast1؛ Alireza Momeni2؛ Aziz Gord2؛ Fardin Mansoori3 | ||
| 1Ph.D. Candidate, Department of Accounting, Chabahar International Branch, Islamic Azad University, Chabahar, Iran. | ||
| 2Assistant Prof., Department of Accounting, Payam noor University, Tehran, Iran. | ||
| 3Assistant Prof., Department of Accounting, Sistan and Balouchestan University, Zahedan, Iran. | ||
| چکیده [English] | ||
| Objective: The purpose of this study is to test the use of visual financial ratios to predict the bankruptcy of companies using a convolutional neural network and compare it with traditional models. Methods: The research period was 2009 to 2018. The sample companies have been selected from the ones which were listed on the Tehran Stock Exchange in two groups of bankrupt companies (66) and non-bankrupt companies (66). Since the work of convolution neural network is to recognize images from existing images, first the financial ratios were converted into images as research data through MATLAB 2019 software, then, the situation of the sample companies were predicted and diagnosed with the help of convolution neural network and under Google net architecture. Results: Convolutional neural network models performed accurate images and predictions with 50% accuracy. On the one hand, in order to strengthen the results and determine the effectiveness of the first hypothesis, three other hypotheses were proposed to be compared to Altman, Spring-gate and Zimski models. The results of all three indicated that the convolution model was not confirmed as accurate compared to these three models. Conclusion: Advances in computers and the use of deep learning, which is a kind of improvement in artificial intelligence, affect the prediction of bankruptcy through visual financial ratios. However, to consolidate the test results of the first hypothesis, three practical models of bankruptcy prediction including Altman (1983), Springgate (1978) and Zimski (1984) were tested, the results of which did not confirm the accuracy of the convolution model compared to these three models. | ||
| کلیدواژه‌ها [English] | ||
| Visual financial ratios, corporate bankruptcy forecast, convolution neural network model | ||
| مراجع | ||
|
ابراهیمی کردلر، علی؛ اعرابی، مهران (1390). بررسی کاربرد مدل‌های پیشبینی ورشکستگی در پیشبینی نکول تسهیلات اعطایی به شرکت های پذیرفته شده در بورس اوراق بهادار تهران (مطالعه موردی بانک سپه). تحقیقات حسابداری و حسابرسی, 3(12)، 52-63. doi: 10.22034/iaar.2011.104712
احمدی امین، الهه؛ تحریری، آرش (1398). تأثیر انتقال ورشکستگی در صنعت بر محتوای اطلاعاتی سود شرکت‌ها. بررسیهای حسابداری و حسابرسی، 26(1)، 1- 18.
باقری، حسین علی؛ خدائی، عاطفه (1396). یادگیری عمیق در MATLAB (یادگیری ماشین، شبکههای عصبی و هوش مصنوعی). نشر نیاز دانش.
حسنپور، سید حسین (1395). آموزش شبکه کانولوشن، بخش اول. آدرس دسترسی: www.forum.ustmb.ir
دهخدا، علی اکبر (1377). لغتنامه دهخدا. جلد اول. (چاپ 1). انتشارات مؤسسه انتشارات و چاپ دانشگاه تهران.
ﺳﺮاﻓﺮاز، ﺳﺎﻧﺎز؛ ﺻﻔﺘﯽ، ﻓﺮﯾﺪ؛ ﻏﯿﺎﺛﻮﻧﺪ، ﻋﻠﯿﺮﺿﺎ (1395). ﭘﯿﺶﺑﯿﻨﯽ ﻗﯿﻤﺖ ﺳﻬﺎم ﺑﺎ ﺷﺎﺧﺺ ﻫﺎی ﺑﺎزاری ﻫﯿﺒﺮﯾﺪی (ﺗﺮﮐﯿﺒﯽ) ﺑﺎ اﺳﺘﻔﺎده از ﻣﺪل ﻋﺼﺒﯽ ﻓﺎزی. ﮐﻨﻔﺮاﻧﺲ ﺑﯿﻦاﻟﻤﻠﻠﯽ ﭘﮋوﻫﺶﻫﺎی ﻧﻮﯾﻦ در ﻣﺪﯾﺮﯾﺖ، اﻗﺘﺼﺎد و ﺣﺴﺎﺑﺪاری.
ﺳﻠﻴﻤﺎﻧﻲ، ﻏﻼﻣﺮﺿﺎ (1389). ارزﻳﺎﺑﻲ ﻛﺎراﻳﻲ اﻟﮕﻮﻫﺎی ﭘﻴﺶﺑﻴﻨﻲ ﺑﺤﺮان ﻣﺎﻟﻲ ﺑﺮای شرکت‌های اﻳﺮاﻧﻲ. ﻣﺠﻠﻪ داﻧﺶ ﺣﺴﺎﺑﺪاری، 1(2)، 139- 158.
عاشوری، محمدرضا (1397). تصویر، ویکی (دایره المعارف رایگان و آنلاین) طراحی و تبلیغات. آدرس دسترسی: www.agerin.ir
عسگری آلوج، حسین؛ نیکبخت، محمدرضا؛ کرمی، غلامرضا؛ مؤمنی، منصور (1398). توسعه مدل بنیش با ترکیب شبکههای عصبی مصنوعی و الگوریتم بهینه‌سازی حرکت تجمعی ذرات برای پیشبینی دستکاری سود. بررسیهای حسابداری و حسابرسی، 26 (4)، 615-638.
غضنفری، مهدی؛ رحیمی کیا، اقبال؛ عسکری، علی (1397). پیشبینی ورشکستگی شرکت‌ها مبتنی بر سیستم‌های هوشمند ترکیبی. فصلنامه پژوهشهای حسابداری مالی و حسابرسی، 10(37)، 159-194.
ﻛﺮﺩﺳﺘﺎﻧﻲ، ﻏﻼﻣﺮﺿﺎ؛ ﺗﺎﺗﻠﻲ، رشید (1393). ﺍﺭﺯﻳﺎﺑﻲ ﺗﻮﺍﻥ ﭘﻴﺶﺑﻴﻨﻲ ﻣﺪﻝﻫﺎﻱ ﻭﺭﺷﻜﺴﺘﮕﻲ (ﻣﻘﺎﻳﺴﻪ ﻣﺪﻝﻫﺎﻱ ﺍﻭﻟﻴﻪ ﻭ ﺗﻌﺪﻳﻞ ﺷﺪﻩ). مجله دانش حسابرسی، ۱۴ (۵۵)، 51- 70.
محمدی، شاپور؛ راعی، رضا؛ رحیمی، محمدرضا (1397). پیشبینی دامنه تغییرات طلا با استفاده از مدل ترکیبی ARIMA و شبکه عصبی. مجله مهندسی مالی و مدیریت اوراق بهادار، 34، 335- 357.
واعظ قاسمی، محسن؛ رمضان‌پور، سعید، (1397). پیشبینی ورشکستگی شرکت‌های پذیرفته‌شده در سازمان بورس و اوراق بهادار با استفاده از شبکه عصبی مصنوعی. فصلنامه دانش سرمایه‌گذاری، 26، 277- 296.
References
Agarwal, A. and Patni, I. (2019) Bankruptcy Prediction Models: An Empirical Comparison. International Journal of Innovative Technology and Exploring Engineering (IJITEE) 8(6S2), 131- 139. Ahmadi Amin, E., & Tahriri, A. (2019). The Effect of Bankruptcy Contagion on Earnings Informativeness. Journal of Accounting and Auditing Review, 26(1), 1-18. (in Persian) Altman, E. I. (1968). Financial ratios, discriminant analysis and the prediction of corporate bankruptcy, The Journal of Finance 23 (4), 589-609. Asgari Alouj, H., Nikbakht, M.R., Karami, GH., & Momeni, M. (2019). Development of the Beneish Model by Combining Artificial Neural Network and Particle Swarm Optimization Algorithm for Earnings Management Prediction. Accounting and Auditing Review, 26(4), 615-638. (in Persian) Ashoori, M. R. (2019). Picture, Viki (free and online dictionary), design and Advertising. Available in: www.agerin.ir. (in Persian) Bagheri, H. A. and Khodaee, A. (2018) Deep learning in MATLAB with machine learning, neural networks and Artificial Intelligence. (in Persian) Dehkhoda, A.A. (2019). Persian Dictionary, Vol. 1, (1th ed). University of Tehran Publishing. (in Persian) Ding, X., Zhang, Y., Liu, T., Duan, J. (2015). Deep learning for event-driven stock prediction. Proceedings of the 24th International Joint Conference on Artificial Intelligence, 2327–2333. Ebrahimi Kordlor, A., Arabi, M. (2011). Application of Bankruptcy Predictive Models (Altman, Falmer, Springit, Zimski & Shirata) to Predicting Failure to Grant Companies to the Tehran Stock Exchange (Case Study: Bank Sepah). Accounting and Auditing Research, 3(12), 52-63. doi: 10.22034/iaar.2011.104712 Ghazanfari, M., Rahimikia, E. and Askari, A. (2018). Bankruptcy prediction of companies based on hybrid intectual systems. Quarterly journal of financial accounting and auditing, 10(37), 159-194. (in Persian) Goehring, M. (2007). Balance sheets: Getting the picture of your Co-ops financial position. www.columinate.coop Hardinata, L., Warsito, B. and Suparti, S. (2017). Bankruptcy prediction based on financial ratios using Jordan Recurrent Neural Networks: a case study in Polish companies. Journal of Physics: Conference Series, 1025(1), 012098. Hasanpoor, S. H. (2016). Convolutional Networks. Section one. www.forum.ustmb.ir Hosaka, T. (2018). Bankruptcy prediction using imaged financial ratios and convolutional neural networks. Available in: https://www.rs.tus.ac.jp/hosaka-t/img/file3.pdf Hu, H., Tang, L., Zhang, Sh. and Wang, H. (2018). Predicting the direction of stock markets using optimized neural networks with Google Trends, Neuro computing, 285, 188-195, ISSN 0925-2312, https://doi.org/10.1016/j.neucom.2018.01.038. Jadhav, S., Dange, B. & Shikalgar, S. (2018). Prediction of Stock Market Indices by Artificial Neural Networks Using Forecasting Algorithms. In International Conference on Intelligent Computing and Applications (pp. 455-464). Springer, Singapore. Jordin, D.P. (2018). Failure pattern – based ensembles applied to bankruptcy forecasting. Journal of Decision Support Systems, 107, 64-77. Kordestani, Gh. and Tatli, R. (2014). The Evaluation of prediction ability of Bankruptcy models: primary versus adjusted models. Auditing Knowledge Journal, 55, 51-70. Krizhevsky, A., Sutskever, I., Hinton, G.E. (2012). Imagenet classification with deep convolutional neural networks. Proceedings of Neural Information Processing Systems. Lin, M., Chen, Q., Yan, S. (2013). Network in network. arXiv:1312.4400 Marcjasz, G., Uniejewski, B. & Weron, R. (2018). On the importance of the long-term seasonal component in day-ahead electricity price forecasting with NARX neural networks. International Journal of Forecasting, 35(4), 1520-1532. Mohammadi, Sh., Raeie, R. & Rahimi, R. (2018). Interval Forcasting for Gold Price with hybrib model of ARIMA and Artificial Neural Network. The Journal of Portfolio Management and Financial Engineering, (34), 335-357. (in Persian) Ohlson, J. A. (1980). Financial ratios and the probabilistic prediction of bankruptcy. Journal of Accounting Research, 18 (1), 109–131. Sarafraz, S., Sefati, F. and Ghiasvand, A. (2016). Predicting stock prices with hybrid market indices using a fuzzy neural model. International Conference on Modern Research in Management, Economics and Accounting. (in Persian) Soleimany, G. (2012). Investigating of the Efficiency of Financial Distress Prediction Models in Iranian companies. Accounting Knowledge, 1(2), 139- 160. (in Persian) Szegedy, C., Liu, W., Jia, Y., Sermanet, P., Reed, S., Anguelov, D., Erhan, D., Vanhoucke, V., Rabinovich, A. (2015). Going deeper with convolutions. Proceedings of IEEE Conference on Computer Vision and Pattern Recognition. Tan, L., Wang, S. & Wang, K. (2017). A new adaptive network-based fuzzy inference system with adaptive adjustment rules for stock market volatility forecasting. Information Processing Letters, 127, 32-36. Vaez-Ghasemi, M. & Ramezanpour Chardeh, S. (2018). Predicting bankruptcy of companies listed on the Stock Exchange using the artificial neural network. The Journal of Investment Knowledge, (26), 277-296. (in Persian) | ||
|
آمار تعداد مشاهده مقاله: 1,056 تعداد دریافت فایل اصل مقاله: 795 |
||