این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
تحقیقات مالی، جلد ۱۹، شماره ۱، صفحات ۱۳۹-۱۵۶
عنوان فارسی کاربرد روش ترکیبی ماشین بردار پشتیبان و انتخاب ویژگی به‎منظور پیش‌بینی درماندگی مالی شرکت‎های پذیرفته شده در بورس اوراق بهادار تهران
چکیده فارسی مقاله پیش­بینی درماندگی مالی از مسائل مهمی است که همواره پژوهشگران، مؤسسه‎های اعتباری و بانک­ها به آن توجه کرده‎اند. تاکنون تحقیقات بسیاری در این زمینه صورت گرفته است، ولی استفاده از مدل­های­ ترکیب‎شدۀ انتخاب ویژگی و مدل طبقه‎بندی­کننده، از مسائلی است که فقط در سال­های اخیر توجه پژوهشگران را به خود جلب کرده است. در این مقاله ماشین ­بردار پشتیبان با چهار تابع کرنل خطی، چند­جمله­ای، شعاعی و سیگمویید به‎‎عنوال مدل ‎طبقه‎بندی­کننده و ترکیب آن با روش­های انتخاب ویژگی فیلترکننده و پوشش­دهنده استفاده شده است. همچنین از الگوریتم ژنتیک که یکی از انواع روش­های پوشش­دهندۀ انتخاب ویژگی است و روش­های آنالیز اجزای اساسی، زنجیرۀ­ اطلاعات و رلیف­ که جزء روش­های فیلترکنندۀ انتخاب ویژگی هستند، استفاده شده­ است. نتایج به‎دست آمده نشان­ داد که روش الگوریتم ژنتیک نسبت به روش­های فیلترکننده، عملکرد بهتری دارد. همچنین دقت ماشین بردار پشتیبان با توابع کرنل خطی، چند­جمله­ای، شعاعی و سیگمویید در ترکیب با الگوریتم ژنتیک، با سطح اطمینان 95 درصد تفاوت معناداری با­ هم ندارند.
کلیدواژه‌های فارسی مقاله
عنوان انگلیسی Use of Combined Approach of Support Vector Machine and Feature Selection for Financial Distress Prediction of Listed Companies in Tehran Stock Exchange Market
چکیده انگلیسی مقاله Financial distress prediction (FDP) is a great important subject that has always been interesting to researchers, financial institutions and banks. Tough many works have been done in this area, but use of combined approach of feature selection and classifier is an issue that has attracted researchers' attention just in recent years. In this paper, four well-known kinds of SVM that each of them has it's own kernel function including: linear, polynomial, radial and sigmoid have been introduced as the main classifiers of our proposed approach. These four methods have been integrated with genetic algorithm (GA) as a wrapper feature selection approach as well as three techniques of filtering feature selection approach called: principle component analysis (PCA), information gain and relief. Brought results indicated that genetic algorithm outperformed the other feature selection techniques in it's combination with SVM methods. Furthermore, implemented hypothesis test implied that there was no significance level among GA-SVM (linear), GA-SVM (radial), GA-SVM (polynomial) and GA-SVM (sigmoid) techniques with confidence level of %95.
کلیدواژه‌های انگلیسی مقاله
نویسندگان مقاله سعید فلاح پور |
استادیار مدیریت مالی، دانشکدۀ مدیریت، دانشگاه تهران، تهران، ایران
سازمان اصلی تایید شده: دانشگاه تهران (Tehran university)

عیسی نوروزی یان لکوان | norouzi ian v لکوان
دانشجوی کارشناسی ارشد مهندسی مالی، دانشکدۀ مدیریت دانشگاه تهران، تهران، ایران
سازمان اصلی تایید شده: دانشگاه تهران (Tehran university)

محمد هندیجانی زاده | hendijani zadeh
دانشجوی کارشناسی ارشد مهندسی مالی، دانشکدۀ مدیریت دانشگاه تهران، تهران، ایران
سازمان اصلی تایید شده: دانشگاه تهران (Tehran university)

نشانی اینترنتی https://jfr.ut.ac.ir/article_52758_4543b5fdb0eb5e872f7e4aef76b54dd7.pdf
فایل مقاله اشکال در دسترسی به فایل - ./files/site1/rds_journals/705/article-705-538604.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