تبیین متغیرهای مالی موثر در پیش بینی احیای مالی با استفاده از رویکرد هوش مصنوعی

هدف اصلی مقاله شناسایی متغیرهای مالی موثر در پیش‌بینی احیای مالی شرکت های پذیرفته‌شده در بورس اوراق بهادار تهران و بهره‌مندی از رویکرد هوش مصنوعی در تحلیل داده‌های مربوط به 173 شرکت درمانده احیاشده طی دوره زمانی 1383 – 1399 بود. در این رویکرد، نخست با استفاده از الگوریتم های انتخاب ویژگی‌های لارس و رلیف، از میانِ 54 متغیر مالیِ منتخب، 10 متغیر مهم و موثر در احیای مالی شرکت های نمونه، شناسایی شد. در ادامه، برای ارزیابی دقت نتایج متغیرهای شناسایی‌شده در پیش‌بینی احیای مالی از الگوریتم های یادگیر ماشین بردار پشتیبان و درخت تصمیم استفاده شد. نتایج نشان داد متغیرهای برگزیده با روش انتخاب ویژگی‌ لارس و ارزیابی دقت با الگوریتم ماشین بردار پشتیبان نسبت به روش انتخاب ویژگی رلیف و ارزیابی دقت با الگوریتم درخت تصمیم، عملکرد بهتری در پیش‌بینی زمان خروج از درماندگی داشته است. همچنین، نتایج آشکار کرد که بدون لحاظ کردنِ روش های انتخاب ویژگی، ماشین یادگیر بردار پشتیبان در مقامِ مقایسه با درخت تصمیم، در پیش بینی زمان خروج از درماندگی، از قدرت پیش بینی بالاتری برخوردار است. براساس نتایج، به سرمایه‌گذاران بازار سرمایه در انتخاب پرتفوی سرمایه‌گذاری پیشنهاد می‌شود برمبنای متغیرهای مالی موثر در پیش‌بینی احیای مالی و ماشین یادگیر بردار پشتیبان، شرکت‌های مستعد خروج از درماندگی را شناسایی و اقدام به سرمایه‌گذاری نمایند.