پیش‌بینی ورشکستگی با مدل یادگیری ماشین سریع مبتنی بر کرنلِ بهینه‌شده با الگوریتم گرگ خاکستری

نوع مقاله : مقاله علمی پژوهشی

نویسندگان

1 دانشجوی کارشناسی ارشد، گروه مدیریت مالی، دانشکده علوم مالی، دانشگاه خوارزمی، تهران، ایران

2 استادیار، گروه آموزشی مدیریت مالی، دانشکده علوم مالی، دانشگاه خوارزمی، تهران، ایران

3 استادیار، گروه آموزشی مهندسی مالی و مدیریت مالی، دانشکده علوم مالی، دانشگاه خوارزمی، تهران، ایران.

چکیده

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.
یافته‌ها: 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.
نتیجه‌گیری: 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.

کلیدواژه‌ها

موضوعات

عنوان مقاله [English]

Grey Wolf Optimization Evolving Kernel Extreme Learning Machine: Application to Bankruptcy Prediction

نویسندگان [English]

  • Tohid Gholizadeh salteh 1
  • Mohammad Eghbalnia 2
  • Mohammad Ebrahim Aghababaei 3
1 MSc. Student, Department of Finance, Faculty of Financial Sciences, University of Kharazmi, Tehran, Iran
2 Assistant Prof., Department of Finance, Faculty of Financial Sciences, University of Kharazmi, Tehran, Iran
3 Assistant Prof., Department of Financial Engineering and Financial Management, Faculty of Financial Sciences, University of Kharazmi, Tehran, Iran
چکیده [English]

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

کلیدواژه‌ها [English]

  • Bankruptcy prediction
  • Learning machine
  • Grey Wolf Optimizer (GWO)
  • Financial ratios

مراجع

بت‎شکن، محمدهاشم؛ سلیمی، محمد جواد؛ فلاحتگر متحدجو، سعید (1397). ارائه یک روش ترکیبی به‎منظور پیش‎بینی درماندگی مالی شرکت‎های پذیرفته شده در بورس اوراق بهادار تهران. تحقیقات مالی، 20 (2)، 173-192.  
خورشیدی، زهرا (1395). ارائه مدل هشدار سریع مالی در صنایع خودرو و ماشین‎‎آلات بورس اوراق بهادار تهران و بررسی کارایی آن. پایان‎نامه کارشناسی ارشد، تهران: دانشکده علوم دانشگاه خوارزمی.
سعیدی، علی؛ آقایی، آرزو (1388). پیش‌بینی درماندگی مالی شرکت‌های پذیرفته شده در بورس اوراق بهادار تهران با استفاده از شبکه‌های بیز. بررسی‌های حسابداری و حسابرسی، 16(2)، 59- 78.
شاکری، عبدالرضا (1382). بررسی کاربردی مدل اسپرینگیت برای پیش‌بینی ورشکستگی شرکت‌های پذیرفته شده در بورس اوراق بهادار تهران. پایان‎نامه کارشناسی ارشد، تهران: دانشکده معارف اسلامی و مدیریت دانشگاه امام صادق.
فلاح‎پور، سعید؛ ارم، اصغر (1395). پیش‌بینی درماندگی مالی شرکت‌ها با استفاده از الگوریتم کلونی مورچگان. تحقیقات مالی، 18(2)، 347- 368.
فلاح‎پور، سعید؛ راعی، رضا؛ نوروزیان، عیسی (1397). استفاده از روش ترکیبی انتخاب ویژگی پی‎درپی پیشرو شناور و ماشین بردار پشتیبان در پیش‎بینی درماندگی مالی شرکت‎های پذیرفته شده در بورس اوراق بهادار تهران. تحقیقات مالی، 20(3)، 289- 304.
فلاح‎پور، سعید؛ نوروزی‎یان لکوان، عیسی؛ هندیجانی زاده، محمد (1396). کاربرد روش ترکیبی ماشین بردار پشتیبان و انتخاب ویژگی به‎منظور پیش‌بینی درماندگی مالی شرکت‎های پذیرفته شده در بورس اوراق بهادار تهران. تحقیقات مالی، 19(1)، 139- 156.
 
References
Altman, E. I. (1968). Financial ratios, discriminant analysis and the prediction of corporate bankruptcy. The journal of finance, 23(4), 589-609.  
Atiya, A. F. (2001). Bankruptcy prediction for credit risk using neural networks: A survey and new results. IEEE Transactions on neural networks, 12(4), 929-935.  
Beaver, W. H. (1966). Financial ratios as predictors of failure. Journal of accounting research, 4, 71-111.  
Botshekan, M.H., Salimi, M., Falahatgar Mottahedjoo, S. (2018). Developing a hybrid approach for financial distress prediction of listed companies in Tehran stock exchange. Financial Research Journal, 20 (2), 173-192. (in Persian)
Chen, H.-L., Yang, B., Wang, G., Liu, J., Xu, X., Wang, S.-J., & Liu, D.-Y. (2011). A novel bankruptcy prediction model based on an adaptive fuzzy k-nearest neighbor method. Knowledge-Based Systems, 24(8), 1348-1359.
Chou, C.-H., Hsieh, S.-C., & Qiu, C.-J. (2017). Hybrid genetic algorithm and fuzzy clustering for bankruptcy prediction. Applied Soft Computing, 56, 298-316.
Fallahpour, S., Raei, R., Norouzian Lakvan, E. (2018). Applying Combined Approach of Sequential Floating Forward Selection and Support Vector Machine to Predict Financial Distress of Listed Companies in Tehran Stock Exchange Market. Financial Research Journal, 20(3), 289-304. (in Persian)
Fallahpour, S., Eram, A. (2016). Predicting Companies Financial Distress by Using Ant Colony Algorithm. Financial Research Journal, 18(2), 347-368. (in Persian)
Fallahpour, S., Raei, R., Norouzian Lakvan, E. Hendijani Zadeh, M. (2017). Use of  Combined Approach of Support Vector Machine and Feature Selection for Financial Distress Prediction of Listed Companies in Tehran Stock Exchange Market. Financial Research Journal, 19(1), 139-156. (in Persian)
Fedorova, E., Gilenko, E., & Dovzhenko, S. (2013). Bankruptcy prediction for Russian companies: Application of combined classifiers. Expert systems with applications, 40(18), 7285-7293.  
Gitman, G. M., & Parnas, A. (1996). Method for production of spheroidized particles. In: Google Patents.
Guang-Bin, H., Babri, H.A. (1998). Upper bounds on the number of hidden neurons in feedforward networks with arbitrary bounded nonlinear activation functions. I IEEE Transactions on Neural Networks, 9 (1), 224–229.
Hornik, K. (1991). Approximation capabilities of multilayer feedforward networks. Neural Networks, 4 (2), 251–257.
Huang, G.B., Zhu, Q.Y., Siew, C.K. (2006). Extreme learning machine: theory and applications. Neurocomputin,g 70 (1–3), 489–501.
Khorshidi, Z. (2016). Provide a fast financial warning model in the automotive industry and Tehran stock exchange machines and review its efficiency. Governmental dissertation, Ministry of Science, Research and Technology, Kharazmi University of Tehran, Faculty of Finance Sciences. (in Persian)
Leshno, M., Lin, V.Y., Pinkus, A., & Schocken, S. (1993). Multilayer feedforward networks  with a nonpolynomial activation function can approximate any function. Neural Networks, 6 (6), 861–867.
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.
Mirjalili, S., Mirjalili, S. M., & Lewis, A. (2014). Grey wolf optimizer. Advances in engineering software, 69, 46-61.
Ohlson, J. A. (1980). Financial ratios and the probabilistic prediction of bankruptcy. Journal of accounting research, 18(1), 109- 131.  
Paramjeet, & Ravi, V. (2011). Bacterial foraging trained wavelet neural networks: application to bankruptcy prediction in banks. International Journal of Data Analysis Techniques and Strategies, 3 (3), 261-280.
Ravi, V., & Pramodh, C. (2008). Threshold accepting trained principal component neural network and feature subset selection: Application to bankruptcy prediction in banks. Applied Soft Computing, 8(4), 1539-1548.
Saeedi, A., Aghaie, A. (2010). Predicting Financial Distress of firms Listed in Tehran Stock Exchange Using Bayesian networks. Journal of Accounting and Auditing Review, 16(2), 59- 78. (in Persian)
Sarkar, S., & Sriram, R. S. (2001). Bayesian models for early warning of bank failures. Management Science, 47(11), 1457-1475.
Shah, J. R., & Murtaza, M. B. (2000). A neural network based clustering procedure for bankruptcy prediction. American Business Review, 18(2), 80.
Shakeri, A. (2003). Applied study of Springate model for forecasting bankruptcy of companies accepted in Tehran Stock Exchange. Master dissertation, Faculty of Islamic Sciences and Management of Imam Sadiq University in Tehran. (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.
Tsai, C. -F., Wu, J.W.(2008). Using neural network ensembles for bankruptcy prediction and credit scoring. Expert Systems with Applications, 34 (4), 2639–2649.
Wang, M., Chen, H., Li, H., Cai, Z., Zhao, X., Tong, C., …, Xu, X. (2017). Grey wolf optimization evolving kernel extreme learning machine: Application to bankruptcy prediction. Engineering Applications of Artificial Intelligence, 63, 54-68.
Vasu, M., Ravi, V. (2011). Bankruptcy prediction in banks by principal component analysis threshold accepting trained wavelet neural network hybrid. In: Pro- ceedings of the International Conference on Data Mining. USA.
West, R. C. (1985). A factor-analytic approach to bank condition. Journal of Banking & Finance, 9(2), 253-266.
Zhang, G., Hu, Y.M., Patuwo, B.E., Indro, D.C. (1999). Artificial neural networks in bankruptcy prediction: general framework and cross-validation analysis. European Journal of Operational Research, 116 (1), 16–32.
Zhao, D., Huang, C., Wei, Y., Yu, F., Wang, M., & Chen, H. (2017). An effective computational model for bankruptcy prediction using kernel extreme learning machine approach. Computational Economics, 49(2), 325-341.
 
تحقیقات مالی
دوره 21، شماره 2
1398
صفحه 187-212

فایل ها

هم رسانی

ارجاع به این مقاله

آمار