این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
تحقیقات مالی، جلد ۲۱، شماره ۲، صفحات ۱۸۷-۲۱۲
عنوان فارسی پیش‌بینی ورشکستگی با مدل یادگیری ماشین سریع مبتنی بر کرنلِ بهینه‌شده با الگوریتم گرگ خاکستری
چکیده فارسی مقاله هدف: در عصر حاضر، کسب‎وکارها به اندازه‌ای توسعه یافته‌اند که برای بقا در عرصه رقابت، به مدیریت صحیح منابع و مصارف خود نیازمندند؛ چراکه بازار رقابتی انعطاف‌پذیری شرکت‌ها را به‎شدت کاهش داده است و این عامل باعث شده که آنها در وضعیت‎های مختلف اقتصادی توانایی عکس‌العمل مناسب را نداشته باشند و از چرخه رقابت خارج شده و با خطر ورشکستگی مواجه شوند. بنابراین در این پژوهش تلاش شده است که به‎منظور پیشگیری از احتمال بروز چنین مخاطراتی، به پیش‌بینی ورشکستگی شرکت‌های تولیدی اقدام کنیم. روش: در این پژوهش از «یادگیری ماشین سریع مبتنی بر کرنل» استفاده شده که یکی از مدل‌های هوش مصنوعی برای پیش‌بینی ورشکستگی است. با توجه به اینکه روش‌های یادگیری ماشین به الگوریتمی بهینه‌ساز نیاز دارند، در این پژوهش از یکی از به‌روزترین آنها به‎نام «الگوریتم گرگ خاکستری» بهره برده شده که در سال 2014 ابداع شده است. یافته‎ ها: مدل یاد شده روی داده‌های 136 نمونه از شرکت‌های بورسی در بازه زمانی 1394 تا پایان خرداد 1397، پیاده‌سازی شد و در تمامی معیارهای ارزیابی، مدل‌های طبقه‌بندی، 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 تأیید رسید. نتیجه‎ گیری: با توجه به دقت بسیار خوب الگوریتم گرگ خاکستری و همچنین عملکرد بهتر آن در مقایسه با الگوریتم ژنتیک، می‌بایست برای پیش‌بینی ورشکستگی شرکت‌های تولیدی ایران، چه برای اهداف سرمایه‌گذاری و اعتباردهی و چه به‎منظور استفاده مدیریت داخلی شرکت، از الگوریتم گرگ خاکستری بهره برد.
کلیدواژه‌های فارسی مقاله
عنوان انگلیسی Grey Wolf Optimization Evolving Kernel Extreme Learning Machine: Application to Bankruptcy Prediction
چکیده انگلیسی مقاله Objective: In the present era, businesses have developed to a large extent which has, in turn, forced them to manage their resources and expenditures wisely for the sake of competition. This is mainly because the competitive market has severely reduced the flexibility of companies, which means that their ability respond to different economic situations has reduced and this puts most firms at the constant risk of bankruptcy and contraction. Therefore, in this study, we have tried to predict the bankruptcy of manufacturing companies through preventing the occurrence of such risks.  Methods: In this study, the "Kernel Extreme Learning Machine" has been used as one of the artificial intelligence models for predicting bankruptcy. Given that machine learning methods require an optimization algorithm we have used one of the most up-to-date, "Gray Wolf Algorithm" which has been introduced in 2014. Results: The above model has been implemented on the 136 samples that were collected from the Tehran Stock Exchange between 2015 and 2018. All of the performance evaluation criteria including the classification, accuracy, type error, second-order error and area under the ROC curve showed better performance than the genetic algorithm which was presented and its significance was confirmed by t-test. Conclusion: Considering the gray wolf algorithm's high accuracy and its performance compared to the genetic algorithm, it is necessary to use the gray wolf algorithm to predict the bankruptcy of Iranian manufacturing companies either for investment purposes and for validation purposes, or for using internal management of the company
کلیدواژه‌های انگلیسی مقاله
نویسندگان مقاله توحید قلی زاده سالطه |
دانشجوی کارشناسی ارشد، گروه مدیریت مالی، دانشکده علوم مالی، دانشگاه خوارزمی، تهران، ایران

محمد اقبال‌نیا |
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.

نشانی اینترنتی https://jfr.ut.ac.ir/article_72748_990802a26a83a5f193f8142fdb2a4320.pdf
فایل مقاله اشکال در دسترسی به فایل - ./files/site1/rds_journals/705/article-705-1919340.pdf
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات