پیش‌بینی درماندگی مالی شرکت‌های پذیرفته شده در فرابورس و بورس اوراق بهادار تهران با استفاده از ماشین بردار پشتیبان

هدف این مقاله، پیش‌بینی درماندگی مالی قریب‌الوقوع شرکت‌های پذیرفته شده در فرابورس و بورس اوراق بهادار با استفاده از دامنه گسترده‌ای از ویژگی‌ها از جمله متغیرهای حسابداری تعهدی، حسابداری نقدی، بازار سهام، مکانیسم‌های حاکمیت شرکتی و شاخص‌های اقتصاد کلان است. نمونه نهایی شامل 421 شرکت و در نتیجه، 3670 شرکت-سال مشاهده است. سپس، داده آماده شده با استفاده از نسبت 70 به 30 به مجموعه داده آموزشی و آزمایشی تفکیک شد. در این پژوهش، تکینک‌های پیش‌ پردازش داده یادگیری ماشین نظیر استانداردسازی نمره z، وان-هات انکدینگ، اعتبارسنجی متقابل k لایه طبقه‌ای، همراه با مهندسی ویژگی برای بهبود عملکرد طبقه‌بندی کننده بکار گرفته شدند. روش اعتبارسنجی متقابل 5 لایه طبقه‌ای با برای برآورد عملکرد پیش‌بینی مدل طی مرحله آموزش استفاده شد. طی مرحله آموزش، میزان‌سازی اَبرپارامتر مدل با استفاده از جستجوی شبکه‌ای انجام شد. افزون بر این، رویکرد فرایادگیری حساس به هزینه همراه با معیار مختص مسائل نامتوازن یعنی نمره f1 برای غلبه بر مسئله نامتوازنی افراطی کلاس‎ها استفاده شده است. بر اساس نتایج تجربی، مدل ماشین بردار پشتیبان به نمره f1، ضریب همبستگی متیوز، فراخوانی و دقتی به ترتیب برابر با 55%، %56، %78 و43% بر روی مجموعه آموزشی دست یافت. سرانجام، مدل پیشنهادی بر روی مجموعه آزمایشی کنار گذاشته شده آزمون شد که به نمره f1، ضریب همبستگی متیوز، فراخوانی و دقتی به ترتیب برابر با 50%، %50، %68 و 40% بر روی مجموعه آزمایشی منجر شد.

Financial Distress Prediction of the Listed Companies on Tehran Stock Exchange (TSE) and Iran Fara Burse (IFB) Using Support Vector Machine

The purpose of this article is to predict impending financial distress of the listed companies on Tehran Stock Exchange (TSE) and Iran Fara Bourse (IFB) using a wide range of features including accrual accounting variables, cashbased accounting variables, marketbased variables, corporate governance mechanisms, and macroeconomic indicators. The final sample includes 421 firms leading to 3,670 firmyear observations. The prepared data, was then split into a train and test data set using a 70/30 ratio.In this research, various data preprocessing machine learning techniques i.e., Zscore standardization, onehot encoding, stratified Kfold validation combined with feature engineering are applied to improve classifier performance. Stratified Kfold cross validation method, (with k = 5) was used for estimation of model prediction performance during training phase. During the training phase, hyperparameter tuning of a model was carried out using a gridsearch. Furthermore, a costsensitive metalearning approach in conjunction with the proposed imbalanceoriented metric i.e., F1 score were used to overcome the extreme class imbalance issue.Based on the experimental results, the tuned Support Vector Machine (SVM) model achieved f1score, MCC, recall and precision of respectively, 55%, 56%, 78% and 43% on the training set. Finally, the proposed model was tested on the holdout test set which resulted in f1score, MCC, recall and precision of 50%, 50%, 68% and 40%, respectively.