شبکه های عصبی شعاعی آموزش یافته بر پایه متغیرهای مدل‌های آماری و مقایسه آن‌ها در پیش بینی ورشکستگی

امروزه شبکه های عصبی مصنوعی جایگاه ویژه ای در حیطه مالی پیدا کرده است. پژوهش حاضر به دنبال یافتن روش بهتر برای ساخت و آموزش شبکه های عصبی مصنوعی است که منجر به پیش بینی دقیق‌تر در موضوع ورشکستگی شود. در این میان سه شبکه عصبی از نوع توابع شعاع مدار ساخته شد که به صورت جداگانه توسط متغیرهای مدل آلتمن (1983)، اسمایوسکی (1984) و ترکیبی آموزش داده شدند. پس از سنجش توانایی سه مدل در پیش بینی ورشکستگی با استفاده از آزمون دقیق فیشر و مک نمار، دقت آن‌ها مورد مقایسه قرار گرفته است. نمونه مورد آزمون شامل شرکت‌های عضو بورس اوراق بهادار تهران در بین سال‌های 1383 تا 1390 می‌باشد. یافته‌ها نشان می‌دهند که هر سه مدل توانایی پیش بینی ورشکستگی را دارند و از بین آن‌ها مدل آموزش یافته با متغیرهای مدل آلتمن دقیق‌تر از دو مدل دیگر قادر به انجام این امر است.