Abstract:
هدف: هدف پژوهش حاضر، آزمون بهکارگیری نسبتهای مالی تصویری برای پیشبینی ورشکستگی شرکتها با استفاده از شبکه عصبی کانولوشن و مقایسۀ آن با مدلهای سنتی است. روش: دوره زمانی پژوهش 1388 تا 1397 بوده است. شرکتهای نمونه از بین شرکتهای پذیرفته شده در بورس اوراق بهادار تهران و در قالب دو گروه شامل 66 شرکت ورشکسته و 66 شرکت غیر ورشکسته انتخاب شدهاند. از آنجا که کار شبکه عصبی کانولوشن شناخت تصاویر از بین تصاویر موجود است، ابتدا نسبتهای مالی بهعنوان دادههای پژوهش از طریق نرمافزار متلب 2019 به تصویر تبدیل شد، سپس بهکمک شبکه عصبی کانولوشن و تحت معماری گوگلنت به تشخیص و پیشبینی وضعیت شرکتهای نمونه اقدام شد. یافتهها: مدل شبکههای عصبی کانولوشن از روی تصاویر، با دقت 50 درصد شناخت و پیشبینی درستی انجام دادند. از طرفی، برای تقویت نتایج و تعیین اثربخشی فرضیه نخست، سه فرضیه دیگر نیز برای مقایسه مدلهای آلتمن، اسپرینگیت و زیمسکی مطرح شد که نتایج هر سه نشاندهندۀ عدم تأیید دقت بیشتر مدل کانولوشن در مقایسه با این سه مدل بود. نتیجهگیری: پیشرفت در رایانه و استفاده از یادگیری عمیق که به نوعی بهبود در هوش مصنوعی محسوب میشود، بر پیشبینی ورشکستگی از طریق نسبتهای مالی تصویری تأثیرگذار است. با وجود این، برای تحکیم نتایج آزمون فرضیۀ اول، سه مدل کاربردی پیشبینی ورشکستگی شامل مدل آلتمن (1983)، اسپرینگیت (1978) و زیمسکی (1984) آزمون شد که نتایج هر سه دقت بیشتر مدل کانولوشن را در مقایسه با این سه مدل تأیید نکرد.
Objective: The purpose of this study is to test the use of visual financial ratios to predict the bankruptcy of companies using a convolutional neural network and compare it with traditional models. Methods: The research period was 2009 to 2018. The sample companies have been selected from the ones which were listed on the Tehran Stock Exchange in two groups of bankrupt companies (66) and non-bankrupt companies (66). Since the work of convolution neural network is to recognize images from existing images, first the financial ratios were converted into images as research data through MATLAB 2019 software, then, the situation of the sample companies were predicted and diagnosed with the help of convolution neural network and under Google net architecture. Results: Convolutional neural network models performed accurate images and predictions with 50% accuracy. On the one hand, in order to strengthen the results and determine the effectiveness of the first hypothesis, three other hypotheses were proposed to be compared to Altman, Spring-gate and Zimski models. The results of all three indicated that the convolution model was not confirmed as accurate compared to these three models. Conclusion: Advances in computers and the use of deep learning, which is a kind of improvement in artificial intelligence, affect the prediction of bankruptcy through visual financial ratios. However, to consolidate the test results of the first hypothesis, three practical models of bankruptcy prediction including Altman (1983), Springgate (1978) and Zimski (1984) were tested, the results of which did not confirm the accuracy of the convolution model compared to these three models.
Machine summary:
com چکيده هدف : هدف پژوهش حاضر، آزمون به کارگيري نسبت هاي مالي تصويري براي پيش بيني ورشکستگي شرکت ها با استفاده از شبکه عصبي کانولوشن و مقايسۀ آن با مدل هاي سنتي است .
از آنجا که کار شبکه عصبي کانولوشـن شـناخت تصاوير از بين تصاوير موجود است ، ابتدا نسبت هاي مالي به عنوان داده هاي پژوهش از طريق نرم افزار متلب ٢٠١٩ به تصـوير تبـديل شـد، سپس به کمک شبکه عصبي کانولوشن و تحت معماري گوگل نت به تشخيص و پيش بيني وضعيت شرکت هاي نمونه اقدام شد.
طبق پژوهشي کـه کردستاني و تاتلي (١٣٩٣) انجام داده اند، مدل هاي تعديل يافته آلتمن (١٩٩٣)، اسپرينگيت ٢ (١٩٧٨) و زيمسـکي ٣ (١٩٨٤) براي پيش بيني ورشکستگي در ايران ، از کارايي بيشتري برخوردارند، از اين رو، در پژوهش حاضـر ايـن سـه مـدل بـراي مقايسه با مدل شبکۀ عصبي کانولوشن در نظر گرفته شده است .
به بيان ديگر، فرضيه اول پژوهش تأييد مي شود و مدل شبکه هاي عصبي کانولوشن مبتني بر شـناخت تصاوير، قادر است ورشکستگي يا عدم ورشکستگي شرکت ها را با کسب دقت ٥٠ درصد به عنوان آسـتانه تصـميم گيـري ، درست پيش بيني کند.
مسئله اي که اين پژوهش به دنبال حل آن بود، به طور مشخص توان سنجي نسبت هاي مالي قابل تبديل بـه تصـوير در پيش بيني ورشکستگي شرکت ها با استفاده از مدل شبکه هاي عصبي کانولوشن و مقايسه آن با مدل هاي سنتي بود که طبق نتايج ، فرضيه اول تأييد شد.