توحید قلی زاده سالطه - دانشجوی کارشناسی ارشد، گروه مدیریت مالی، دانشکده علوم مالی، دانشگاه خوارزمی، تهران، ایران
محمد اقبال نیا - استادیار، گروه آموزشی مدیریت مالی، دانشکده علوم مالی، دانشگاه خوارزمی، تهران، ایران
محمد ابراهیم آقابابائی - استادیار، گروه آموزشی مهندسی مالی و مدیریت مالی، دانشکده علوم مالی، دانشگاه خوارزمی، تهران، ایران.

هدف: در عصر حاضر، کسب وکارها به اندازه ای توسعه یافته اند که برای بقا در عرصه رقابت، به مدیریت صحیح منابع و مصارف خود نیازمندند؛ چراکه بازار رقابتی انعطاف پذیری شرکت ها را به‎شدت کاهش داده است و این عامل باعث شده که آنها در وضعیت های مختلف اقتصادی توانایی عکس العمل مناسب را نداشته باشند و از چرخه رقابت خارج شده و با خطر ورشکستگی مواجه شوند. بنابراین در این پژوهش تلاش شده است که به منظور پیشگیری از احتمال بروز چنین مخاطراتی، به پیش بینی ورشکستگی شرکت های تولیدی اقدام کنیم. روش: در این پژوهش از «یادگیری ماشین سریع مبتنی بر کرنل» استفاده شده که یکی از مدل های هوش مصنوعی برای پیش بینی ورشکستگی است. با توجه به اینکه روش های یادگیری ماشین به الگوریتمی بهینه ساز نیاز دارند، در این پژوهش از یکی از به روزترین آنها به‎نام «الگوریتم گرگ خاکستری» بهره برده شده که در سال ۲۰۱۴ ابداع شده است. یافته ها: مدل یاد شده روی داده های ۱۳۶ نمونه از شرکت های بورسی در بازه زمانی ۱۳۹۴ تا پایان خرداد ۱۳۹۷، پیاده سازی شد و در تمامی معیارهای ارزیابی، مدل های طبقه بندی، دقت، خطاهای نوع اول و دوم و ناحیه تحت منحنی ROC، در مقایسه با الگوریتم ژنتیک، کارایی بهتری ارائه کرد و معناداری آن نیز از طریق آزمون t-test به تایید رسید. نتیجه گیری: با توجه به دقت بسیار خوب الگوریتم گرگ خاکستری و همچنین عملکرد بهتر آن در مقایسه با الگوریتم ژنتیک، می بایست برای پیش بینی ورشکستگی شرکت های تولیدی ایران، چه برای اهداف سرمایه گذاری و اعتباردهی و چه به منظور استفاده مدیریت داخلی شرکت، از الگوریتم گرگ خاکستری بهره برد.

بینی ورشکستگی, یادگیری ماشین, بهینه سازی گرگ خاکستری, نسبت های مالی