پیش بینی درماندگی مالی شرکت های پذیرفته شده در فرابورس و بورس اوراق بهادار تهران با استفاده از ماشین بردار پشتیبان
Publish place: Journal of Financial Management Strategy، Vol: 9، Issue: 1
Publish Year: 1400
نوع سند: مقاله ژورنالی
زبان: Persian
View: 284
This Paper With 18 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
این Paper در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_JFMZ-9-1_006
تاریخ نمایه سازی: 9 مرداد 1400
Abstract:
هدف این مقاله، پیش بینی درماندگی مالی قریب الوقوع شرکت های پذیرفته شده در فرابورس و بورس اوراق بهادار با استفاده از دامنه گسترده ای از ویژگی ها از جمله متغیرهای حسابداری تعهدی، حسابداری نقدی، بازار سهام، مکانیسم های حاکمیت شرکتی و شاخص های اقتصاد کلان است. نمونه نهایی شامل ۴۲۱ شرکت و در نتیجه، ۳۶۷۰ شرکت-سال مشاهده است. سپس، داده آماده شده با استفاده از نسبت ۷۰ به ۳۰ به مجموعه داده آموزشی و آزمایشی تفکیک شد. در این پژوهش، تکینک های پیش پردازش داده یادگیری ماشین نظیر استانداردسازی نمره Z، وان-هات انکدینگ، اعتبارسنجی متقابل K لایه طبقه ای، همراه با مهندسی ویژگی برای بهبود عملکرد طبقه بندی کننده بکار گرفته شدند. روش اعتبارسنجی متقابل ۵ لایه طبقه ای با برای برآورد عملکرد پیش بینی مدل طی مرحله آموزش استفاده شد. طی مرحله آموزش، میزان سازی ابرپارامتر مدل با استفاده از جستجوی شبکه ای انجام شد. افزون بر این، رویکرد فرایادگیری حساس به هزینه همراه با معیار مختص مسائل نامتوازن یعنی نمره F۱ برای غلبه بر مسئله نامتوازنی افراطی کلاسها استفاده شده است. بر اساس نتایج تجربی، مدل ماشین بردار پشتیبان به نمره F۱، ضریب همبستگی متیوز، فراخوانی و دقتی به ترتیب برابر با ۵۵%، ۵۶%، ۷۸% و ۴۳% بر روی مجموعه آموزشی دست یافت. سرانجام، مدل پیشنهادی بر روی مجموعه آزمایشی کنار گذاشته شده آزمون شد که به نمره F۱، ضریب همبستگی متیوز، فراخوانی و دقتی به ترتیب برابر با ۵۰%، ۵۰%، ۶۸% و ۴۰% بر روی مجموعه آزمایشی منجر شد.
Keywords:
Authors
محمد نمازی
استاد حسابداری، دانشگاه شیراز، شیراز، ایران
شهلا ابراهیمی
دانشجوی دکتری حسابداری، دانشگاه شیراز، شیراز، ایران.
مراجع و منابع این Paper:
لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :