کاربرد یادگیری ماشین در ارائه الگویی برای پیش بینی ورشکستگی

استفاده از ابزارها و روش های پیش بینی سنتی خطای بالایی داشته و در مقایسه با روش های جدیدتر و مدل های غیرخطی عملکرد ضعیف تری دارند. یکی از روش ها و الگوریتم های پرکاربرد در پیش بینی استفاده از یادگیری ماشین است. هدف اصلی این پژوهش بررسی کاربرد یادگیری ماشین در ارائه الگویی برای پیش بینی ورشکستگی 308 شرکت پذیرفته شده در بورس اوراق بهادار تهران در بازه زمانی 1389 تا 1398(3080 سال – شرکت) می‌باشد که برای آزمون فرضیه‌ها از رگرسیون چند گانه داده‌های ترکیبی و به منظور پیاده‌سازی الگوریتم خوشه‌بندی medians-k و محاسبات مربوطه از نرم افزار محاسبات اماری r استفاده گردید. نتایج حاصل از پژوهش نشان می دهد از میان نسبت های مالی مشخص شده در مدل اول فقط نسبت درآمد خالص به کل دارایی و نسبت ارزش بازار حقوق صاحبان سهام به کل ارزش بازار موجب می‌توانند توانایی مدل پیش بینی ورشکستگی را بهبود ببخشند. همچنین در مدل دوم نسبت های مالی مشخص شده توانایی بهبود مدل پیش بینی ورشکستگی را داشته و با اضافه کردن متغیر devscore برای گروه‌هایی که بر اساس صنعت و اندازه ساخته شده اند، مدل اصلاح شده و پیش بینی ورشکستگی را بهبود می بخشد. نتایج حاکی از آن است که یک شرکت در صورت داشتن نسبت های مالی مرتبط با ورشکستگی که پایین تر از میانگین همسانان خوشه‌ای خود است، احتمالاً ورشکسته می‌شود.

Using Machine Learning to Provide a Model for Predicting Bankruptcy

The use of traditional forecasting tools and methods has a high error and has a poorer performance compared to newer methods and nonlinear models. One of the most widely used methods and algorithms in predicting the use of machine learning. The main purpose of this study is to investigate the application of machine learning in providing a model for predicting the bankruptcy of 308 companies listed on the Tehran Stock Exchange in the period 1389 to 1398 (3080 years - company) to test the hypotheses of multiple regression of composite data. In order to implement the Medians-K clustering algorithm and related calculations, R statistical calculation software was used. The results show that among the financial ratios identified in the first model, only the ratio of net income to total assets and the ratio of market value of equity to total market value can improve the ability of the Altman bankruptcy prediction model. Also, in the second model, the specified financial ratios have the ability to improve the bankruptcy forecast model, and by adding the Devscore variable for groups based on industry and size, the modified model improves the bankruptcy forecast, The results shows that a company is more likely to go bankrupt if it has bankruptcy-related financial ratios that are lower than the average of its cluster peers..