ارائه مدل پیش‌بینی ورشکستگی مبتنی بر الگوریتم ژنتیک درشرکت‌های پذیرفته‌شده در بورس اوراق بهادار تهران

نوع مقاله : مقاله پژوهشی

نویسندگان

1 مربی گروه اقتصاد حسابداری و مدیریت دانشگاه پیام نور

2 کارشناسی ارشد حسابداری

چکیده

هدف از انجام این پژوهش، ارائه مدلی برای پیش‌بینی ورشکستگی شرکت‌های پذیرفته شده در بورس اوراق بهادار تهران با استفاده از الگوریتم ژنتیک برای یک سال و دو سال قبل از ورشکستگی است. جامعه آماری این تحقیق شرکت‌های پذیرفته‌شده در بورس اوراق بهادار تهران می‌باشد. دراین تحقیق نمونه موردنظر به دو گروه تقسیم شده است. بخش اول برای برآورد مدل الگوریتم ژنتیک و بخش دیگر برای تعیین اعتبار این مدل در نظر گرفته می‌شود. نمونه آموزشی تحقیق 150 شرکت (شامل 51 شرکت ورشکسته و 99 شرکت غیرورشکسته) در دوره زمانی 1390ـ1386 می‌باشد. نمونه آزمایشی تحقیق نیز شامل 137 شرکت در سال 1391 و 247 شرکت در سال 1392 می‌باشد. نتایج این پژوهش بیانگر این موضوع می‌باشد که این مدل برای یک سال قبل از ورشکستگی با دقت 8/97 درصد وضعیت شرکت‌های ورشکسته و غیرورشکسته را درست پیش‌بینی می‌کند. همچنین مدل مذکور برای دو سال قبل از ورشکستگی با دقت 9/97 درصد وضعیت شرکت‌های ورشکسته و غیر ورشکسته را درست پیش‌بینی می‌کند.

کلیدواژه‌ها


فلاح پور، سعید. راعی، رضا (1383). "پیش­بینی درماندگی مالی شرکت­ها با استفاده از شبکه­های عصبی مصنوعی". تحقیقات مالی، شماره 17، تابستان.##یاری فرد، رضا (1382)." بررسی مدل‌های پیش‌بینی ورشکستگی (مدل‌های فولمر و اسپرینگت) در بورس اوراق بهادار تهران". پایان‌نامه کارشناسی ارشد رشته حسابداری. دانشگاه مازندران.##
Beaver, W. (1966). "Financialratios as predictors of failure", Empirical Research in Accounting.‐3 .Selected Studies, Supplement to Vol.##E.I. Altman. (1968). "Financial ratios, discriminant analysis and the prediction of corporate bankruptcy", The Journal of Finance. 23 (4) pp 589–609.##Varetto, Franco (1998). "Genetic Algorithms application in the analysis of insolvency risk".##Shah, J.R, Murtaza M.B. (2002). "A neural network based clustering in bankruptcy prediction modeling", Expert Systems with Application; 23(3): pp 321-328.##Sarkar S, Sriram R.S. (2001). "Bayesian Models for Early Warning of Bank Failures". Management Science , 47(11): pp 1457-1475##Alfaro E, Garcia N. (2008). "Bankruptcy Forecasting: an Empirical Comparison of Ad Boost and Neural Networks". International Advances in Economic Research; pp 110-122.##P.R. Kumar, V. Ravi, (2007). "Bankruptcy prediction in banks and firms via statistical and intelligent techniques—a review", European Journal of Operational Research, 180 (1) pp 1–28.##K.S. Shin, T.S. Lee, H.J. Kim, (2005)." An application of support vector machines in bankruptcy prediction model", Expert Systems with Applications, 28 (1) pp 127–135.##K. Kim, I. Han, (2001). "Maintaining case-based reasoning systems using a genetic algorithms approach", Expert Systems with Applications. 21 (3) pp 139–145.##G. Zhang, M.Y. Hu, B.E. Patuwo, D.C. Indro, (1999). "Artificial neural networks in bankruptcy prediction: general framework and cross-validation analysis", European Journal of Operational Research. 116 (1) pp 16–32.##Z.R. Yang, M.B. Platt, H.D. Platt, (1999). "Probabilistic neural networks in bankruptcy prediction", Journal of Business Research. 44 (2) pp 67–74.##K. Kiviluoto, (1998). "Predicting bankruptcies with the self-organizing map", Neurocomputing. 21 (1–3) pp 203–224.##H. Jo, I. Han, H. Lee, (1997). "Bankruptcy prediction using case-based reasoning, neural network and discriminant analysis", Expert Systems with Applications, 13 (2) pp 97–108.##K.C. Lee, I. Han, Y. Kwon, (1996). "Hybrid neural network models for bankruptcy predictions", Decision Support Systems, 18 (1) pp 63–72.##J.E. Boritz, D.B. Kennedy, (1995). "Effectiveness of neural network types for prediction of business failure", Expert Systems with Applications, 9 (4) pp 503–512.##R.L. Wilson, R. Sharda, (1994). "Bankruptcy prediction using neural networks", Decision Support Systems, 11 (5) pp 545–557.##J. Ohlson, (1980). "Financial ratios and the probabilistic prediction of bankruptcy", Journal of Accounting Research, 18 (1) pp 109–131.##Zmijewski Mark. E. (2005). "Method logical Issues Relate to the Estimation of Financial Distress‐13 prediction Models", Journal of Accounting Research Vol 22 supplement. PP1 & 7; 11 & 30; 110&129.##