چکیده:
استفاده از نسبت های مالی برای پیش بینی درماندگی مالی یا ورشکستگی شرکت ها، همیشه مورد توجه دانشگاهیان و بنگاه های اقتصادی، بویژه بانک ها و سایر نهادهای مالی بوده است. پیش بینی به موقع می تواند تصمیم گیران را در یافتن راه حل و پیشگیری از درماندگی مالی، یاری نماید. همچنین، این مدل ها کاربرد بسیار زیادی در رتبه بندی اعتباری و نحوه توزیع تسهیلات بانکی دارد. همواره سعی شده است تا دقت پیش بینی این مدل ها با استفاده از روش های پیشرفته تر بهبود یابد. در این پژوهش که هدف اصلی آن بررسی کارایی استفاده از ماشین بردار پشتیبان (SVM) در پیش بینی درماندگی مالی شرکت ها بوده است، نتایج مدل SVM در مقایسه با مدل آماری رگرسیون لجستیک (LR) بررسی شده است. یافته های تحقیق حاکی از آن است که در پیش بینی درماندگی مالی شرکت ها، مدل SVM نسبت به مدل LR بطور معناداری، از دقت کلی بیشتری برخوردار است. بررسی های انجام شده نشان می دهد که مدل SVM نسبت به مدل LR، نه تنها از دقت کلی بهتری برخوردار است، بلکه توانایی بالاتری نیز در تعمیم پذیری دارد.
The development of the bankruptcy or financial distress prediction model has long been regarded as an important research in the academic and business entities. Financial distress of companies imposes many costs to the companies. One method that can help companies to prevent from financial distress is prediction of financial distress. This prediction also can help banks and other financial institution to have better credit scoring and rating systems. In this study we used Support Vector Machines (SVM) for predicting financial distress of companies and Logistic Regression (LR) as a comparative method. We found that SVM has a better performance than LR. Results show that SVM not only has a better accuracy rate of prediction but also has a better generalization power.
خلاصه ماشینی:
"در این پژوهش،مدل SVM که در حل مسائل مربوط به طبقهبندی عملکرد بسیار خوبی از خود نشان داده است و در سالهای اخیر در کشورهای توسعهیافته برای پیشبینی درماندگی مالی و ورشکستگی مورد توجه واقع شده است،به همراه یکی از پرکاربردترین مدلهای آماری برای چنین مطالعهای،یعنی LR ،مورد بررسی قرار گرفته است.
نتایج آزمون مقایسه زوجی برای سال t (به تصویر صفحه مراجعه شود) همانطور که نگاره 3 نشان میدهد،میتوان گفت که دقت کلی پیشبینی مدل SVM با سطح اطمینان 59%،از دقت کلی پیشبینی LR بیشتر است.
نتایج آزمون دقت مدلها برای یک سال قبل از درماندگی مالی (t-1) (به تصویر صفحه مراجعه شود) همانطور که نگاره 4 نشان میدهد،دقت کلی پیشبینی مدل SVM در سال t-1 برای نمونههای فرعی 1 تا 3،2/5%و برای نمونه فرعی 4،6/52%بیشتر است.
نتایج آزمون مقایسه زوجی برای سال t-1 (به تصویر صفحه مراجعه شود) همانطور که نگاره 5 نشان میدهد،میتوان گفت که دقت کلی پیشبینی مدل SVM ، با سطح اطمینان 59%،از دقت کلی پیشبینی مدل LR بیشتر است.
نتایج آزمون دقت مدلها برای دو سال قبل از درماندگی مالی (t-2) (به تصویر صفحه مراجعه شود) همانطور که نگاره 6 نشان میدهد،دقت کلی پیشبینی مدل SVM در سال t-2 برای نمونههای فرعی 1 تا 4،به ترتیب 6/52%،11%و01%بیشتر است.
نتایج آزمون مقایسه زوجی برای سال t-2 (به تصویر صفحه مراجعه شود) همانگونه که نگاره 7 نشان میدهد،برای سال t-2 نیز میتوان گفت که دقت کلی پیشبینی مدل SVM ،با سطح اطمینان 59%،از دقت کلی پیشبینی مدل LR بیشتر است."