چکیده:
امروزه پیشرفت سریع فن آوری و تغییرات محیطی وسیع، منجر به رقابت روزافزون شده و دستیابی به سود را محدود و احتمال دچار شدن به بحران مالی را افزایش داده است. هدف این تحقیق بررسی قدرت پیش بینی بحران مالی توسط تکنیک های مختلف هوش مصنوعی(الگوریتم ژنتیک خطی و غیر خطی و شبکه عصبی) است. بر اساس اطلاعات و آمارهای در دسترس شرکت های پذیرفته شده در بورس اوراق بهادار تهران در طی دوره 1389-1376، از بین شرکت های مشمول ماده 141 قانون تجارت، 72 شرکت و از بین بقیه شرکت ها نیز 72 شرکت انتخاب شد. نتایج آزمون مک نمار برای تکنیک های الگوریتم ژنتیک غیرخطی و شبکه عصبی نشان می دهد که تفاوت معنی داری بین نتایج الگوریتم ژنتیک خطی و غیرخطی با شبکه عصبی وجود ندارد. اگر چه دقت پیش بینی الگوریتم ژنتیک غیرخطی(90 درصد) و الگوریتم ژنتیک خطی(80 درصد) بیشتر از شبکه عصبی(70 درصد) است ولی این تفاوت از لحاظ آماری معنی دار نیست.
Rapid technological advances and vast environmental changes, leading to increasing competition and limit access to benefits and likely to suffer from financial crisis has increased. Purpose of this study is investigating financial crisis prediction strength of different artificial intelligence techniques (linear and nonlinear genetic algorithm and neural network). Based on available information and statistics, of all companies listed in Tehran Stock Exchange, 72 companies have been subject to Article 141 trade law and 72 companies have not been subject to this Article was elected.
Results of Mc-Nemar test for genetic algorithms techniques and neural network showed that there are not significant differences between linear and nonlinear genetic algorithms with neural network. Although the predictive accuracy of nonlinear genetic algorithm (90%) and linear genetic algorithms (80%) is more than of the neural network (70%) but this difference is not statistically significant.
خلاصه ماشینی:
هدف اين تحقيق بررسي قدرت پيش بيني بحران مالي توسط تکنيکهاي مختلف هوش مصنوعي (الگوريتم ژنتيک خطي و غير خطي و شبکه عصبي ) است .
Huang, Tsai, Yen, Cheng 8.
در اين تحقيق ، دقت پيش بيني بحران مالي توسط تکنيکهاي مختلف هوش مصنوعي (الگوريتم ژنتيک خطي و غيرخطي و شبکه عصبي ) با هم مقايسه شده است .
٦- ساخت مدل پيش بي ي ن بحران مالي يا ورشکستگي با استفاده از الگوريتم ژنتيک خطي و غيرخطي مجموعه دادههاي تحت بررسي که شامل ٧٢ شرکت ورشکسته و ٧٢ شرکت غيرورشکسته است ، به صورت تصادفي به ٢ مجموعه آموزشي و آزمايشي تقسيم شده است .
+ - - X - X + 16 19 + X14 X16 - X X18 - X18 14 X X 19 14 نمودار ١- بهترين مدل پيش بيني بحران مالي يا ورشکستگي حاصل از فرايند الگوريتم ژنتيک خطي *منبع : يافته هاي پژوهشگر با توجه به نمودار ١، مدل حاصل به صورت رابطه ١ قابل ارايه است : Y=X14+X18+((X19+X14)-X18)-X16+((X14-X16)-X19) (1) تعداد نمونه آموزشي و تعداد نمونه آزمايشي و تعداد خطاها در اين دو نمونه به تفکيک براي شرکت هاي ورشکسته و غيرورشکسته در مدل الگوريتم ژنتيک خطي در جدول ٤ نشان داده شده است .
بررسي نتايج اين مدل نشان مي دهد که مدل الگوريتم ژنتيک خطي در طبقه بندي صحيح شرکت هاي ورشکسته در مجموعه آموزشي داراي دقت ٩٢ درصدي است (از ميان ٥١ شرکت ورشکسته در اين مجموعه ، ٤٧ شرکت به صورت صحيح طبقه بندي شده اند).