کاربرد روش ترکیبی ماشین بردار پشتیبان و انتخاب ویژگی به‎منظور پیش‌بینی درماندگی مالی شرکت‎های پذیرفته شده در بورس اوراق بهادار تهران

نوع مقاله : مقاله علمی پژوهشی

نویسندگان

1 استادیار مدیریت مالی، دانشکدۀ مدیریت، دانشگاه تهران، تهران، ایران

2 دانشجوی کارشناسی ارشد مهندسی مالی، دانشکدۀ مدیریت دانشگاه تهران، تهران،ایران

3 دانشجوی کارشناسی ارشد مهندسی مالی، دانشکدۀ مدیریت دانشگاه تهران،تهران، ایران

چکیده

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.

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

Use of Combined Approach of Support Vector Machine and Feature Selection for Financial Distress Prediction of Listed Companies in Tehran Stock Exchange Market

نویسندگان [English]

  • Saeid Fallahpour 1
  • Eisa Norouzian Lakvan 2
  • Mohammad Hendijani Zadeh 3
1 Assistant Prof., Dep. of Finance, University of Tehran, Tehran, Iran
2 MSc. Student in Financial Engineering, University of Tehran, Tehran, Iran
3 MSc. Student in Financial Engineering, University of Tehran, Tehran, Iran
چکیده [English]

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.

کلیدواژه‌ها [English]

  • Genetic Algorithm
  • Wrapper
  • Financial distress
  • filter
  • Support vector machine
پناهی، ح.، اسدزاده، ا.، جلیلی مرند، ع. (1393). پیش‌بینی پنج سالۀ ورشکستگی مالی برای شرکت‌های پذیرفته شده در بورس اوراق بهادار تهران. نشریۀ تحقیقات مالی، 16 (1)، 76-57.

خوانساری، ر.، فلاح شمس، م. (1388). ارزیابی کاربرد مدل ساختاری KMV در پیش‌بینی نکول شرکت‌های پذیرفته شده در بورس اوراق بهادار تهران. نشریۀ تحقیقات مالی، 11 (28)، 68-49.

راعی، ر.، فلاح‌پور، س. (1383). پیش‌بینی درماندگی مالی شرکت‌ها با استفاده از شبکۀ عصبی مصنوعی. نشریۀ تحقیقات مالی، 6 (1)، 69-39.
راعی، ر.، فلاح‌پور، س. (1383). کاربرد ماشین بردار پشتیبان در پیش‌بینی درماندگی مالی شرکت‌ها با استفاده از نسبت‌های مالی . فصلنامۀ علمی پژوهشی بررسی‌های حسابداری و حسابرسی، 15 (53)، 34-17.
سلیمانی امیری، ق. (1382). نسبت‎های مالی و پیش‎بینی بحران مالی شرکت‎ها در بورس اوراق بهادار تهران. نشریۀ تحقیقات مالی، 5 (1)، 136-121.
فدائی‎نژاد، ا.، اسکندری، ر. (1390). طراحی و تبیین مدل پیش‎بینی ورشکستگی شرکت‌ها در بورس اوراق بهادار تهران. تحقیقات حسابداری و حسابرسی، 3 (9)، 24-1.

قدری مقدم، ا.، غلام‌پور فرد، م.، نصیرزاده، ف. (1387).بررسی توانایی مدل‎های پیش‎بینی ورشکستگی آلتمن و اهلسون در پیش‎بینی ورشکستگی شرکت‎های پذیرفته‎شده در بورس اوراق بهادار. مجلۀ دانش و توسعه، 16 (28)، 220-193.

Altman, E. I. (1968). Financial ratios discriminant analysis and the prediction of corporate bankruptcy. Journal of Finance, 23(4), 589 - 609.
Beaver, W. (1966). Financial ratios as predictors of failure. Empirical Research in Accounting: Selected Studies, (4), 71–111.
Cristianini, N. & Shawe-Taylor, J. (2000). An Introduction to Support Vector Machines. Cambridge University Press, Cambridge.
Ding, Y., Song, X. & Zen, Y. (2008). Forecasting financial condition of Chinese listed companies based on support vector machine. Expert Systems with Applications, 34(4), 3081–3089.
Fadayi-Nejad, M. & Eskandari, R. (2011). Design and explained corporate bankruptcy prediction model in Tehran Stock Exchange. Iranian Accounting Association, 3 (9), 1-24. (in Persian)
Fitzpartrick, P. J. (1932). A comparison of ratios of successful industrial enterprises with those of failed companies. Journal of Accounting Research, 10, 598–605.
Ghadri Moghadam, A., Gholampour- Fard, M., Nasirzadeh, F. (2009). Evaluate of ability of altman and ohlsoon models in bankruptcy prediction of companies listed in the stock exchange. Journal of knowledge and development, 16 (28), 193- 220. (in Persian)
Gordon, M. J. (1971). Towards a theory of financial distress. The Journal of Finance, 26(2), 347-356.
Guyon, I. & Elisseeff, A. (2003). An introduction to variable and feature selection. Journal of Machine Learning Research, 3, 1157–1182.
Hua, Z., Wang, Y., Xu, X., Zhang, B., Liang, L. (2007). Predicting corporate financial distress based on integration of support vector machine and logistic regression. Expert Systems with Applications, 33 (2), 434-440.
Hui, X. & Sun, J. (2006). An application of support vector machine to companies’cial distress prediction. Lecture Notes in Artificial Intelligence, 3885, 274–282.
Khansari, R., Mirfeyz, F. (2009). Assessment of the structural model in predicting default KMV companies listed in Tehran Stock Exchange. Financial reaserch, 11 (28), 49-68. (in Persian)
Kohavi, K. & John, G. (1997). Wrappers for feature subset selection. Artificial Intelligence, 97 (1-2), 273–324.
Li, H., Li, C. J., Wu, X. J., Sun, J. (2014). Statistics-based Wrapper for feature selection: An implementation on financial distress identification with support vector machine. Applied soft computing, 19, 57–67.
Li, H., Sun, J. (2009). Predicting business failure using multiple case-based reasoning combined with support vector machine. Expert Systems with Applications, 36 (6), 10085–10096.
Min, J. H., Lee, Y. C. (2005). Bankruptcy prediction using support vector machine with optimal choice of kernel function parameters. Expert Systems with Applications, 28(4), 603–614.
Min, S. H., Lee, J., Han, I. (2006). Hybrid genetic algorithms and support vector machines for bankruptcy prediction. Expert Systems with Applications, 31(3), 652–660.
Nabavi Chashmi, A., Ahmadi, M., Mahdavi Farahabadi, S. (2010). Bankuraptcy prediction of companies with using of logit model. Journal of financial engineering and portfolio management, 1 (5), 55-81.
Ng, W.W.Y., Yeung, D. S., Firth, M., Tsang, C.C., Wang, X. (2008). Feature selection using localized generalization error for supervised classification problems using RBFNN, Pattern Recognition, 41(12), 3706–3719.
Ni, L. G., Ni, Z., Gao, W. Y.(2011). Stock trend prediction based on fractal feature selection and support vector machine. Expert Systems with Applications, 38(5), 5569-5576.
Oreski, S. & Oreski, G. (2014). Genetic algorithm-based heuristic for feature selection in credit risk assessment. Expert Systems with Applications, 41 (4), 2052-2064.
Oreski, S., Oreski, D. & Oreski, G. (2012). Hybrid system with genetic algorithm and artificial neural networks and its application to retail credit risk assessment. Expert systems with applicars39 (16), 12605-12617.
Panahi, H., Asadzadeh, A., Jalili Marand, A. (2014). Bankruptcy prediction prediction of listed companies in Tehran stock exchange market. Financial research, 1 (16), 57-76.(in Persian)
Premachandra, I. M., Bhabra, G. & Sueyoshi, T. (2009). DEA as a tool for bankruptcy assessment: a comparative study with logistic regression technique. European Journal of Operational Research, 192 (2), 412 - 424.
Raei, R. & Fallahpur, S. (2004). Use of neural network for financial distress prediction. Financial research, 6(1), 39-69. (in Persian)
Raei, R., Fallahpur, S. (2008). Application of support vector machine in financial distress prediction with using of financial ratios, Financial research, 15(53), 17-34. (in Persian)
Shin, K.S., Lee, T.S., Kim, H.J. (2005). An application of support vector machines in bankruptcy prediction model. Expert Systems with Applications, 28(1), 127-135.
Shoaf, J. S. & Foster, J. A. (1996). A genetic algorithm solution to the efficient set problem: A technique for portfolio selection based on the Markowitz model. In Proceedings of the decision sciences institute annual meeting, Orlando, Florida, 571-573.
Soleymani Amiri, GH. (2003). Financial ratios and financial crisis of companies in Tehran stock exchange market. Financial research, (15), 121-126.
(in Persian)
Sun, J., Hu, L. (2012). Financial distress prediction using support vector machines: ensemble vs. individual. Applied Soft, 12(8), 2254–2265.
Tan, T. Z., Quek, C., See Ng. G. (2007). Biological brain-inspired genetic complementary learning for stock market and bank failure prediction. Computational Intelligence, 23 (2), 236- 261.
Vapnik, V. N. (1998). Statistical Learning theory, Springer, NewYork.
Whitaker, R. (1999). The Early Stage of Financial Distress. Journal of Economics and Finance, 23 (2), 123-133.
Wu, C.H., Tzeng, G.H., Goo, Y.J., Fang, W.C. (2007). A real-valued genetic algorithm to optimize the parameters of support vector machine for predicting bankruptcy. Expert Systems with Applications, 32 (2), 397-408.
Yu, L. & Liu, H. (2003). Feature selection for high-dimensional data: A fast correlation-based filter solution.  Proceedings, Twentieth International Conference on Machine Learning, Washington, DC, United States, 2, 856-863.
Zavgren, C.V. (1985). Assessing the vulner ability to failure of American industrial firm: a logistic analysis. Journal of Business Finance and Accounting, 12, 19-45.