چکیده:
پیشبینی درماندگی مالی از مسائل مهمی است که همواره پژوهشگران، مؤسسههای اعتباری و بانکها به آن توجه کردهاند. تاکنون تحقیقات بسیاری در این زمینه صورت گرفته است، ولی استفاده از مدلهای ترکیبشدۀ انتخاب ویژگی و مدل طبقهبندیکننده، از مسائلی است که فقط در سالهای اخیر توجه پژوهشگران را به خود جلب کرده است. در این مقاله ماشین بردار پشتیبان با چهار تابع کرنل خطی، چندجملهای، شعاعی و سیگمویید بهعنوال مدل طبقهبندیکننده و ترکیب آن با روشهای انتخاب ویژگی فیلترکننده و پوششدهنده استفاده شده است. همچنین از الگوریتم ژنتیک که یکی از انواع روشهای پوششدهندۀ انتخاب ویژگی است و روشهای آنالیز اجزای اساسی، زنجیرۀ اطلاعات و رلیف که جزء روشهای فیلترکنندۀ انتخاب ویژگی هستند، استفاده شده است. نتایج بهدست آمده نشان داد که روش الگوریتم ژنتیک نسبت به روشهای فیلترکننده، عملکرد بهتری دارد. همچنین دقت ماشین بردار پشتیبان با توابع کرنل خطی، چندجملهای، شعاعی و سیگمویید در ترکیب با الگوریتم ژنتیک، با سطح اطمینان 95 درصد تفاوت معناداری با هم ندارند.
Financial distress prediction (FDP) is a great important subject that has always been interesting to researchers، financial institutions and banks. Tough many works have been done in this area، but use of combined approach of feature selection and classifier is an issue that has attracted researchers' attention just in recent years. In this paper، four well-known kinds of SVM that each of them has it's own kernel function including: linear، polynomial، radial and sigmoid have been introduced as the main classifiers of our proposed approach. These four methods have been integrated with genetic algorithm (GA) as a wrapper feature selection approach as well as three techniques of filtering feature selection approach called: principle component analysis (PCA)، information gain and relief. Brought results indicated that genetic algorithm outperformed the other feature selection techniques in it's combination with SVM methods. Furthermore، implemented hypothesis test implied that there was no significance level among GA-SVM (linear)، GA-SVM (radial)، GA-SVM (polynomial) and GA-SVM (sigmoid) techniques with confidence level of %95.
خلاصه ماشینی:
کاربرد روش ترکیبی ماشین بردار پشتیبان و انتخاب ویژگی به منظور پیش بینی درماندگی مالی شرکت های پذیرفته شده در بورس اوراق بهادار تهران سعید فلاح پور١، عیسی نوروزی یان لکوان ٢، محمد هندیجانی زاده ٣ پیش بینی درماندگی مالی از مسائل مهمی است که همواره پژوهشگران ، مؤسسه هـای اعتباری و بانک ها به آن توجه کرده اند.
در ایـن مقالـه ماشین بردار پشتیبان با چهار تابع کرنل خطی ، چندجمله ای ، شعاعی و سیگمویید به عنوال مـدل طبقه بندی کننده و ترکیب آن با روش های انتخاب ویژگی فیلترکننده و پوشـش دهنـده اسـتفاده شده است .
ماشین بردار پشتیبان دارای توابع کرنل مختلفی اسـت کـه در این پژوهش از چهار نوع تابع خطی ، چنـدجملـه ای ، شـعاعی و سـیگمویید٣ بـرای پـیش بینـی درماندگی مالی استفاده شده است .
شین و همکاران (٢٠٠٥) و مین و لی (٢٠٠٥) هر دو از ماشین بردار پشتیبان برای پیش بینی شرکت های کره ای استفاده کردند و به این نتیجـه رسیدند که دقت آن بالاتر از دقتی است که از مدل های آماری نظیر آلـتمن و لوجیـت بـه دسـت می آید و همچنین از روش شبکة عصبی نیز دقت بیشـتری دارد.
ماشین بردار پشـتیبان اغلـب نتـایج بهتـری نسـبت بـه سـایر مدل های طبقه بندی کننده برای پیش بینی درماندگی مالی روی داده هایی که تعداد نمونه ها در آن نسبتأ کم است ، نشان می دهد (سان ، ٢٠١٢).
Stock trend prediction based on fractal feature selection and support vector machine.
Application of support vector machine in financial distress prediction with using of financial ratios, Financial research, 15(53), 17-34.