برآورد الگوی پیش بینی درماندگی مالی مبتنی بر تلفیق الگوریتم بردار ماشین و الگوی حداقل مربعات

هدف: هدف از این پژوهش، ارائه یک مدل ترکیبی مبتنی بر حداقل مربعات جزئی (pls) و ماشین بردار پشتیبان (svm) برای پیش‌بینی درماندگی مالی شرکت‌ها و بهبود دقت و پایداری فرآیند پیش‌بینی است. روش‌شناسی: این پژوهش از یک مجموعه داده شامل 120 شرکت، متشکل از 56 شرکت ورشکسته و 64 شرکت غیرورشکسته، در بازه زمانی دو ساله استفاده کرده است. ابتدا داده‌های مالی مورد تجزیه و تحلیل قرار گرفتند و ویژگی‌های مهم با استفاده از روش حداقل مربعات جزئی (pls) استخراج شدند. سپس از الگوریتم ماشین بردار پشتیبان (svm) با استفاده از روش جستجوی شبکه‌ای و اعتبارسنجی متقاطع 5 بخشی برای تنظیم بهینه پارامترهای مدل استفاده شد. عملکرد مدل پیشنهادی با روش‌های سنتی مانند رگرسیون لجستیک و شبکه‌های عصبی مصنوعی مقایسه گردید. یافته‌ها: نتایج تجربی نشان دادند که مدل ترکیبی pls svm با نرخ دقت 87 درصد در مجموعه آزمایشی، عملکرد بهتری نسبت به مدل‌های سنتی و سایر تکنیک‌های یادگیری ماشین دارد. همچنین، این مدل توانست مرتبط‌ترین شاخص‌های مالی را برای پیش‌بینی درماندگی مالی شناسایی کرده و تاثیر هر یک از متغیرها را در فرآیند پیش‌بینی مشخص نماید. نتیجه‌گیری: مدل پیشنهادی به دلیل دقت بالا، تفسیرپذیری مناسب، و پایداری قابل توجه، می‌تواند به عنوان یک ابزار موثر برای موسسات مالی در فرآیندهای مدیریت ریسک، تایید اعتبار، و برنامه‌ریزی مالی به کار رود. این پژوهش نشان می‌دهد که ترکیب روش‌های یادگیری ماشین می‌تواند به بهبود قابلیت‌های پیش‌بینی مالی کمک کند.

estimation of a financial distress prediction model based on the integration of the support vector machine algorithm and the least squares model

objective: the objective of this study is to propose a hybrid model based on partial least squares (pls) and support vector machine (svm) to predict corporate financial distress and enhance the accuracy and stability of the prediction process. methodology: this study utilized a dataset of 120 companies, consisting of 56 bankrupt and 64 non bankrupt firms, over a two year period. initially, financial data were analyzed, and key features were extracted using the partial least squares (pls) method. the support vector machine (svm) algorithm was then employed, utilizing a grid search technique with 5 fold cross validation to optimize model parameters. the performance of the proposed model was compared with traditional methods such as logistic regression and artificial neural networks. findings: empirical results indicated that the hybrid pls svm model achieved an accuracy rate of 87% on the test set, outperforming traditional models and other machine learning techniques. additionally, the model successfully identified the most relevant financial indicators for predicting financial distress and determined the role of each variable in the prediction process. conclusion: due to its high accuracy, interpretability, and significant stability, the proposed model can serve as an effective tool for financial institutions in risk management, credit approval, and financial planning processes. this study demonstrates that combining machine learning methods can improve financial prediction capabilities.