توانایی ماشین بردار پشتیبان در پیش بینی احیای مالی

یکی از مهمترین موضوعات حوزه مدیریت مالی، آن است که سرمایه‌گذاران بتوانند فرصت‌های مطلوب سرمایه‌گذاری را از فرصت‌های نامطلوب تشخیص دهند. یکی از راهکارهای کمک به سرمایه‌گذاران پیش‌بینی احیای مالی (خروج از درماندگی) شرکت‌های دارای درماندگی مالی است. از این رو، این پژوهش در صدد است مدلی جهت پیش‌بینی احیای مالی با استفاده از الگوریتم ماشین بردار پشتیبان برای شرکت‌های پذیرفته شده در بورس اوراق بهادار تهران ارائه نماید. برای دستیابی به این هدف،54 متغیر مالی با استفاده از الگوریتم‌ انتخاب ویژگی لارس تعیین گردید و برای آزمون دقت نتایج مدل پیشنهادی از الگوریتم‌ یادگیر ماشین بردار پشتیبان استفاده شده است. بدین منظور در دوره زمانی 1380 تا1397 اطلاعات 167 شرکت درمانده‌ای که از درماندگی مالی خارج و احیا شده‌اند، استخراج گردید. یافته‌های پژوهش نشان می‌دهد، مدل تحقیق با دقت 74% زمان احیا و خروج شرکت درمانده مالی را از درماندگی مالی به درستی پیش بینی می‌نماید.طبقه‌بندی موضوعی: g40 ، c15.

the ability of support vector machine (svm) in financial recoverey prediction

one of the most important issues in the field of financial management is that investors can distinguish favorable investment opportunities from unfavorable ones. one way to help investors is to anticipate the financial recovery (exit from helplessness) of companies with financial distress. therefore, this study intends to provide a model for predicting financial recovery using the support vector machine algorithm for companies listed on the tehran stock exchange. to achieve this goal, 54 financial variables were determined using the lars feature selection algorithm and to test the accuracy of the results of the proposed model, the support vector learning algorithm was used. for this purpose, in the period of 2001-2018, the information of 167 helpless companies that were out of financial helplessness and revived was extracted. the research findings show that the research model accurately predicts the recovery time of the financially helpless company from financial distress with 74% accuracy.