پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 25 |
| تعداد شماره‌ها | 931 |
| تعداد مقالات | 7,652 |
| تعداد مشاهده مقاله | 12,491,607 |
| تعداد دریافت فایل اصل مقاله | 8,884,219 |
پیش‌بینی درماندگی مالی شرکت‌های پذیرفته شده در فرابورس و بورس اوراق بهادار تهران با استفاده از ماشین بردار پشتیبان | ||
| راهبرد مدیریت مالی | ||
| مقاله 6، دوره 9، شماره 1 - شماره پیاپی 32، فروردین 1400، صفحه 115-132 اصل مقاله (4.61 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22051/jfm.2020.25973.2077 | ||
| نویسندگان | ||
| محمد نمازی1؛ شهلا ابراهیمی* 2 | ||
| 1استاد حسابداری، دانشگاه شیراز، شیراز، ایران | ||
| 2دانشجوی دکتری حسابداری، دانشگاه شیراز، شیراز، ایران. | ||
| چکیده | ||
| هدف این مقاله، پیش‌بینی درماندگی مالی قریب‌الوقوع شرکت‌های پذیرفته شده در فرابورس و بورس اوراق بهادار با استفاده از دامنه گسترده‌ای از ویژگی‌ها از جمله متغیرهای حسابداری تعهدی، حسابداری نقدی، بازار سهام، مکانیسم‌های حاکمیت شرکتی و شاخص‌های اقتصاد کلان است. نمونه نهایی شامل 421 شرکت و در نتیجه، 3670 شرکت-سال مشاهده است. سپس، داده آماده شده با استفاده از نسبت 70 به 30 به مجموعه داده آموزشی و آزمایشی تفکیک شد. در این پژوهش، تکینک‌های پیش پردازش داده یادگیری ماشین نظیر استانداردسازی نمره Z، وان-هات انکدینگ، اعتبارسنجی متقابل K لایه طبقه‌ای، همراه با مهندسی ویژگی برای بهبود عملکرد طبقه‌بندی کننده بکار گرفته شدند. روش اعتبارسنجی متقابل 5 لایه طبقه‌ای با برای برآورد عملکرد پیش‌بینی مدل طی مرحله آموزش استفاده شد. طی مرحله آموزش، میزان‌سازی اَبرپارامتر مدل با استفاده از جستجوی شبکه‌ای انجام شد. افزون بر این، رویکرد فرایادگیری حساس به هزینه همراه با معیار مختص مسائل نامتوازن یعنی نمره F1 برای غلبه بر مسئله نامتوازنی افراطی کلاسها استفاده شده است. بر اساس نتایج تجربی، مدل ماشین بردار پشتیبان به نمره F1، ضریب همبستگی متیوز، فراخوانی و دقتی به ترتیب برابر با 55%، 56%، 78% و 43% بر روی مجموعه آموزشی دست یافت. سرانجام، مدل پیشنهادی بر روی مجموعه آزمایشی کنار گذاشته شده آزمون شد که به نمره F1، ضریب همبستگی متیوز، فراخوانی و دقتی به ترتیب برابر با 50%، 50%، 68% و 40% بر روی مجموعه آزمایشی منجر شد. | ||
| کلیدواژه‌ها | ||
| پیش‌بینی درماندگی مالی؛ ماشین بردار پشتیبان؛ یادگیری ماشین؛ داده‌کاوی؛ بورس اوراق بهادار تهران | ||
| عنوان مقاله [English] | ||
| Financial Distress Prediction of the Listed Companies on Tehran Stock Exchange (TSE) and Iran Fara Burse (IFB) Using Support Vector Machine | ||
| نویسندگان [English] | ||
| Mohammad Namazi1؛ Shahla Ebrahimi2 | ||
| 1Professor of Accounting, Shiraz University .Shiraz, Iran. | ||
| 2PhD Student in Accounting, Shiraz University, Shiraz, Iran. | ||
| چکیده [English] | ||
| The purpose of this article is to predict impending financial distress of the listed companies on Tehran Stock Exchange (TSE) and Iran Fara Bourse (IFB) using a wide range of features including accrual accounting variables, cash-based accounting variables, market-based variables, corporate governance mechanisms, and macroeconomic indicators. The final sample includes 421 firms leading to 3,670 firm-year observations. The prepared data, was then split into a train and test data set using a 70/30 ratio. In this research, various data pre-processing machine learning techniques i.e., Z-score standardization, one-hot encoding, stratified K-fold validation combined with feature engineering are applied to improve classifier performance. Stratified K-fold cross validation method, (with k = 5) was used for estimation of model prediction performance during training phase. During the training phase, hyper-parameter tuning of a model was carried out using a grid-search. Furthermore, a cost-sensitive meta-learning approach in conjunction with the proposed imbalance-oriented metric i.e., F1 score were used to overcome the extreme class imbalance issue. Based on the experimental results, the tuned Support Vector Machine (SVM) model achieved f1-score, MCC, recall and precision of respectively, 55%, 56%, 78% and 43% on the training set. Finally, the proposed model was tested on the hold-out test set which resulted in f1-score, MCC, recall and precision of 50%, 50%, 68% and 40%, respectively. | ||
| کلیدواژه‌ها [English] | ||
| Financial Distress Prediction, Support Vector Machine (SVM), Machine Learning, Data Mining, Tehran Stock Exchange | ||
| مراجع | ||
|
فلاح‌پور، سعید، راعی، رضا و نوروزیان لکوان، عیسی. (1397). 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، (3)20، صص. 289-304. کاتبی، حسینقلی. (1380). حقوق تجارت. چاپ هفتم، تهران: انتشارات گنج دانش. منصورفر، غلامرضا، غیور، فرزاد و لطفی، بهناز (1394). توانایی ماشین بردار پشتیبان در پیش‌بینی درماندگی مالی. پژوهشهای تجربی حسابداری، (17)5، صص. 177-195. Aktan, S. (2011). Early warning system for bankruptcy: Bankruptcy prediction (Doctoral dissertation, Karlsruhe Institute of Technology, KIT). Retrieved from https://d-nb.info/1019790032/34. Beaver, W. H. Correia, M. & McNichols M. F. (2010). Financial statement analysis and the prediction of financial distress, Foundations and Trends in Accounting, 5(2), pp.99–173. Beaver, W. H. McNichols, M. F. & Rhie, J. W. (2005). Have financial statements become less informative? Evidence from the ability of financial ratios to predict bankruptcy. Review of Accounting Studies, 10(1), pp. 93–122. Belli, G. (2009). Nonexperimental quantitative research. In S. D. Lapan & M. T. Quartaroli (Eds.), Research essentials: An introduction to designs and practices. (pp. 59-77). Jossey-Bass Publications. Bonnes, K. (2017). Predicting mortgage demand using machine learning techniques (Master Thesis, University of Twente). Retrieved from https://essay.utwente.nl/ 73640/7/Bonnes_MA_EEMCS.pdf. Chancharat, N. (2008). An empirical analysis of financially distressed Australian companies: The application of survival analysis (Doctoral dissertation, University of Wollongong). Retrieved from https://ro.uow. edu.au/theses/401/. Fan, X. (2016). An adaptive and diversity-based ensemble method for binary classification (Master Thesis, Carleton University). Retrieved from https://curve.carleton.ca/system/files/etd/e2e72ad2-2da5-47b8-ab 6a-28810d5eb197/etd_pdf/81f038dc409086dafcc1cced7b46be03/fan-a nadaptiveanddiversitybasedensemblemethod.pdf. Jagesar, R. (2016). Machine learning dissected (Master Thesis, Utrecht University). Retrieved from https://dspace.library.uu.nl/handle/1874/33 5047. Johnson, R. B. & Christensen, L. (2014). Educational research: quantitative, qualitative, and mixed approaches (5th ed). London: SAGE Publications, Inc. Katebi, H. (2001). Law of commercial. Tehran: Ganj-E-Danesh Publications. (In Persian). Khajavi, Sh. & Ghadirian-Arani, M. H. (2018). The role of managerial ability in financial distress prediction, Financial Accounting Researches, 9(4), pp.83-102. (In Persian). Kothari, C. R. (2004). Research methodology, methods and techniques. New Delhi: New Age International (P) Ltd. Publishers. Lee, K. Booth, D. & Alam, P. (2005). A comparison of supervised and unsupervised neural networks in predicting bankruptcy of Korean firms, Expert Systems with Applications, 29(1), pp.1–16. Li, M. Y. L. & Miu, P. (2010). A hybrid bankruptcy prediction model with dynamic loadings on accounting-ratio-based and market-based information: A binary quantile regression approach, Journal of Empirical Finance, 17(4), pp.818–833. Li, Z. Crook, J. & Andreeva, G. (2017). Dynamic prediction of financial distress using Malmquist DEA, Expert Systems with Applications, 80, pp.94–106. Matin, R. Hansen, C. Hansen, C. & Mølgaard, P. (2019). Predicting distresses using deep learning of text segments in annual reports, Expert Systems with Applications, 132, pp.199–208. McKee, T. E. & Lensberg, T. (2002). Genetic programming and rough sets: A hybrid approach to bankruptcy classification, European Journal of Operational Research, 138(2), pp.436–451. Mendes, A. Cardoso, R. L. Mário, P. C. Martinez, A. L. & Ferreira, F. R. (2014). Insolvency prediction in the presence of data inconsistencies, Intelligent Systems in Accounting, Finance and Management, 21, pp.155–167. Mousavi, M. M. Ouenniche, J. & Tone, K. (2019). A comparative analysis of two-stage distress prediction models, Expert Systems with Applications, 119, pp.322–341. Ninh, P. V. B. Do Thanh, T. & Hong, D. V. (2018). Financial distress and bankruptcy prediction: An appropriate model for listed firms in Vietnam, Economic Systems, 42(4), pp.616-624. Ohlson, J. A. (1980). Financial ratios and the probabilistic prediction of bankruptcy, Journal of Accounting Research, 18(1), pp.109 –131. Oleksy, T. A. (2017). Machine learning methods for mood disorder decision support (Master Thesis, University of Bergen). Retrieved from http://bora.uib.no/bitstream/handle/1956/16259/actigraphdataformoods.pdf?sequence=4&isAllowed=y. Pendharkar, P. C. (2005). A threshold-varying artificial neural network approach for classification and its application to bankruptcy prediction problem, Computers & Operations Research, 32(10), pp.2561–2582. Raschka, S. (2015). Python machine learning. Birmingham: Packt Publishing Ltd. Ren, J. (2014). Robust feature selection with penalized regression in imbalanced high dimensional data (Doctoral Dissertation, University of Southern California). Retrieved from http://digitallibrary.usc.edu/cdm/ ref/collection/ p15799coll3/id/443080. Rezende, F. F. Montezano, R. M. da S. Oliveira, F. N. de, & Lameira, V. de J. (2017). “Predicting financial distress in publicly-traded companies, Revista Contabilidade & Finanças, 28(75), pp.390–406. Suntraruk, P. (2009). Predicting Financial Distress: Evidence from Thailand. Retrieved from http://www. efmaefm.org/0EFMAME ETINGS/EFMA%20ANNUAL%20MEETINGS/2009-milan/phd/phas sawan. Pdf. Tsai, C. F. & Cheng, K. C. (2012). Simple instance selection for bankruptcy prediction, Knowledge-Based Systems, 27, pp.333–342. Wahlen, J. M. Baginski, S. P. & Bradshaw, M. T. (2010). Financial Reporting, Financial Statement Analysis, and Valuation: A Strategic Perspective. South-Western Cengage Learning, Inc. 7Ed, USA. Zhou, L. Lai, K. K. & Yen, J. (2012). Empirical models based on features ranking techniques for corporate financial distress prediction, Computers and Mathematics with Applications, 64(8), pp.2484–2496. | ||
|
آمار تعداد مشاهده مقاله: 838 تعداد دریافت فایل اصل مقاله: 586 |
||