پیش‌بینی ریسک ورشکستگی مالی بر اساس مدل‌های حسابداری، بازاری و ترکیبی با استفاده از تکنیک شبکه‌های عصبی RBF و MLP در بورس اوراق بهادار تهران

نوع مقاله: کاربردی

نویسندگان

1 استادیار گروه مدیریت بازرگانی، دانشگاه شهاب دانش، قم، ایران

2 کارشناسی ‌‌ارشد مدیریت بازرگانی، دانشگاه قم، قم، ایران

3 استادیار گروه مدیریت بازرگانی، دانشگاه قم، قم، ایران

چکیده

در این مقاله، به پیش‌بینی ریسک ورشکستگی مالی بر اساس مدل‌های حسابداری، بازاری و ترکیبی (ترکیب دو مدل فوق) با استفاده از تکنیک‌های MLP و RBF شبکه‌های عصبی پرداخته شده و نتایج تکنیک‌های مذکور بر اساس شاخص میانگین مربعات خطا در سه مدل یاد شده با هم  مقایسه شده‌اند. نتایج پژوهش نشان می‌دهد شبکه عصبی RBF نسبت به شبکه MLP در هر سه مدل شامل(متغیرهای حسابداری، بازاری و ترکیبی) کاراتر است و دقت مدل ترکیبی بیشتر از مدل‌های حسابداری و بازاری است.
JEL: C45, G17, G33
نحوه استناد به این مقاله: عاطفت‌دوست، ع.، محمودی، م.، و راموز، ن. (1396). پیش‌بینی ریسک ورشکستگی مالی بر اساس مدل‌های حسابداری، بازاری و ترکیبی( ترکیب دو مدل) با استفاده از تکنیک شبکه‌های عصبی RBF و MLP در بورس اوراق بهادار تهران. فصلنامه مدلسازی ریسک و مهندسی مالی، 2(3)، 320-339.

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

Financial Bankruptcy Risk Prediction Based on Accounting, Market and Hybrid Models by using RBF and MLP Neural Networks Technique in TSE

نویسندگان [English]

  • alireza atefatdoost 1
  • maryam mahmoudi 2
  • najmeh ramooz 3
1 Assistant Prof., Business management, shahab danesh University, Qom, Iran
2 MSc.in Business Administration, Qom University, Qom, Iran
3 Assistant Prof., Business management Department, Qom University, Qom, Iran
چکیده [English]

In this paper have been studied Financial Bankruptcy Risk Prediction based on accounting and market and hybrid models (combining the two above models) with the use of MLP and RBF techniques of neural networks and the results of these techniques are compared based on the mean square error index in the three mentioned models. The results show that the RBF neural network is more efficient than the MLP network in all three models (accounting, market and hybrid variables) and the accuracy of the hybrid model is more than the accounting and market models.
JEL: C45, G17, G33
How to cite this paper: atefatdoost, A., mahmoudi, M., & ramooz, N. (2017). Financial Bankruptcy Risk Prediction Based on Accounting, Market and Hybrid Models (Combination of Two Models)by using RBF and MLP Neural Networks Technique in TSE. Quarterly Journal of Risk Modeling and Financial Engineering, 2(3), 320–339. (In Persian)

کلیدواژه‌ها [English]

  • Neural Networks
  • Bankruptcy prediction models
  • Financial Bankruptcy

احمدپور، ا.، و میرزایی‌اسرمی، ح. (1392). مقایسة مدل تحلیل تمایزی چندگانه با مدل شبکه‌های عصبی در پیش‌بینی ورشکستگی شرکت‌های پذیرفته ‌شده در بازار بورس اوراق بهادار تهران. تحقیقات حسابداری و حسابرسی، 4 (19)، 2-31.

حاصلی، ج. (1390). مطالعة مقایسه‌ای مدل‌های پیش‌بینی ورشکستگی شاموی و اهلسون در شرکت‌های پذیرفته ‌شده در بورس اوراق بهادار تهران. پایان‌نامة تحصیلی مقطع کارشناسی ارشد، دانشگاه آزاد اسلامی کرمانشاه.

دستگیر، م.، سجادی، ح.، و مقدم، ج. (1387). پیش‌بینی ورشکستگی شرکت‌ها با استفاده از مدل لوجیت. پژوهشنامة اقتصادی، 8(4)، 171-189.

صالحی، ن.، و عظیمی یانچشمه، م. (۱۳۹۵). بررسی تطبیقی مدل خطر و مدل‌های سنتی برای پیش‌بینی ورشکستگی. فصلنامة حسابداری مالی، ۸(۳۰)، 94-121.

عاطفت‌دوست، ع.، و فقیه، ن. (1384). هوش مصنوعی در پیش‌بینی ایست خط تولید (کاربرد شبکه‌های عصبی مصنوعی). تهران، انتشارات زر.

علیزاده، و.، و ندیری، م. (1394). ارائة مدلی برای پیش‌بینی ریسک ورشکستگی شرکت‌ها با استفاده از شبکة عصبی پایه‌ای-شعاعی با نظارت الگوریتم ژنتیک. اولین کنفرانس بین‌المللی مدیریت، اقتصاد، حسابداری و علوم تربیتی، ساری، شرکت علمی پژوهشی و مشاوره‌ای آینده‌ساز، دانشگاه پیام نور نکا.

فیض‌محمدی، ر. (1393). بحران مالی و پیش‌بینی ورشکستگی شرکت‌های بورس اوراق بهادار تهران با استفاده از متغیرهای حسابداری، بازار و اقتصاد کلان. پایان‌نامة کارشناسی ارشد، دانشگاه تربیت مدرس.

کمیجانی، ا.، و سعادت‌فر، ج. (1385). کاربرد مدل‌های شبکة عصبی در پیش‌بینی ورشکستگی اقتصادی شرکت‌های بازار بورس. جستارهای اقتصادی، 3(6)، 11-43.

مکیان، ن.، المدرسی، م. ت.، و کریمی‌تکلو، س. (1389). مقایسة مدل شبکه‌های عصبی مصنوعی با روش‌های رگرسیون لجستیک و تحلیل ممیزی در پیش‌بینی ورشکستگی شرکت‌ها. ﻓﺼﻠﻨﺎمة پژوهش‌های اﻗﺘﺼﺎدی، 10(2)، 141-161.

Ahmadpour, A., & Mirzayi Asromi, H. (2013). Comparison of Multiple Differentiation Analysis Model with Neural Networks Model in Predicting Bankruptcy of Accepted Companies in Tehran Stock Exchange. Accounting and Auditing Research, 4(19), 2-31. (In Persian)

Alizadeh, V., Nadiri, M. (2015). Providing a Model for Forecasting Corporate Bankruptcy Risk using a Basic-radial Neural Network with Genetic Algorithm Monitoring. First International Conference on Management, Economics, Accounting and Educational Sciences, Sari, Scientific Research company and Future Consultant, PayamNoor University of Neka. (In Persian)

Altman, E. I. (1968). Financial Ratios, Discriminant Analysis and the Prediction of Corporate Bankruptcy. The Journal of Finance, 23(4), 589-609.

Atefatdoost, A., & Faqih, N. (2005). Artificial Intelligence to Predict Stop the Production Line (Application of Artificial Neural Networks).Tehran: The ZAR Publications. (In Persian)

Bauer, J. (2012). Bankruptcy Risk Prediction and Pricing: Unravelling the Negative Distress Risk Premium.

Campbell, J. Y., Hilscher, J., & Szilagyi, J. (2008). In Search of Distress Risk. The Journal of Finance, 63(6), 2899-2939.

Christidis, A., & Gregory, A. (2010). Some New Models for Financial Distress Prediction in the UK.

Danilov, C. F. A. (2014). Corporate Bankruptcy: Assessment, Analysis and Prediction of Financial Distress, Insolvency and Failure.

Das, S. R., Hanouna, P., & Sarin, A. (2009). Accounting-based Versus Market-based Cross-sectional Models of CDS Spreads. Journal of Banking & Finance, 33(4), 719-730.

Dastgir, M., Sajjadi, H. & Moghaddam, J.(2008). Bankruptcy Prediction of Companies by Using of Logit Model. Journal of Economic, 8(4), 171-189. (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.

Feyz Mohammadi, R. (2014). Financial Distress and Bankruptcy Prediction of Tehran Securities and Exchange ̓s Firms using Accounting, Market and Macroeconomic Variables. Master's Thesis, Tarbiat Modares University. (In Persian)

Fulmer, J. G., Moon, J. E., Gavin, T. A., & Erwin, J. M. (1984). A Bankruptcy Classification Model for Small Firms. Journal of Commercial Bank Lending, 66(11), 25-37.

Haseli, J. (2011). A Comparative Study of Bankruptcy Prediction Models of Shumway and Ohlson in Listed Companies on Tehran Stock Exchange. Master's Thesis, Islamic Azad University, Kermanshah. (In Persian)

Komeijani, A., & Saadatfar, J. (2006). The Application of Neural Network Models to Predict Economic Bankruptcy in Stock Market Companies. Economic Essays, 3(6), 11-43. (In Persian)

Makiyan, N., Almodarresi, M., & Karimi Takallo, S. (2010). Comparing Model of Artificial Neural Networks with Discriminant Analysis and Logistic Regression Methods to Predict Bankruptcy of Companies. Journal of Economic Researches, 10(2), 141-161. (In Persian)

Martin, S., & Peat, M. (2009). A Comparison of the Information Content of Accounting and Market Measures in Distress Prediction.

Odom, M. D., & Sharda, R. (1990). A Neural Network Model for Bankruptcy Prediction. In Neural Networks, 1990 IJCNN International Joint Conference on, 163-168. IEEE.

Ohlson, J. A. (1980). Financial Ratios and the Probabilistic Prediction of Bankruptcy. Journal of Accounting Research, 18(1), 109-131.

Salehi, N., & Azimi yancheshmeh, M. (2016). Comparative Study of Risk Model and Traditional Models for Predicting Bankruptcy. Financial Accounting Quarterly, 8(30), 94-121. (In Persian)

Shirata, C. Y. (1998). Financial Ratios as Predictors of Bankruptcy in Japan: an Empirical Research. Tsukuba College of Technology.

Shumway, T. (2001). Forecasting Bankruptcy more Accurately: A Simple Hazard Model. The Journal of Business, 74(1), 101-124.

Springate, G. L. (1978). Predicting the possibility of failure in a Canadian firm: a discriminant analysis. Doctoral dissertation, Simon Fraser University.

Taffler, R. J. (1983). The Assessment of Company Solvency and Performance using a Statistical Model. Accounting and Business Research, 13(52), 295-308.

Tinoco, M. H., & Wilson, N. (2013). Financial Distress and Bankruptcy Prediction Among Listed Companies using Accounting, Market and Macroeconomic Variables. International Review of Financial Analysis, 30, 394-419.

Vassalou, M., & Xing, Y. (2004). Default Risk in Equity Returns. The Journal of Finance, 59(2), 831-868.

Zavgren, C. V. (1985). Assessing the Vulnerability to Failure of American Industrial Firms: a Logistic Analysis. Journal of Business Finance & Accounting, 12(1), 19-45.