نقش نسبت‎های مالی تصویری در پیش‌بینی ورشکستگی شرکت‌ها با استفاده از مدل شبکه‌های عصبی کانولوشن و مقایسه آن با مدل‌های سنتی

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 تایید 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 تاثیرگذار 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 تایید نکرد.

The Role of Visual Financial Ratios in Predicting Corporate Bankruptcy Using Convolutional Neural Network Models and Comparing them with Traditional Models

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 nonbankrupt 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, Springgate 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.