رفتار مدل‌های غیرخطی در پیش‌بینی توانگری مالی شرکت‌های بیمه بورسی

هدف: از آنجایی‌که بقای تعهدات مربوط به بیمه‌گذاران و به حداکثر رساندن منافع شرکت از مهم‌ترین اهداف شرکت‌های بیمه بوده و از سویی سازمان‌های نظارتی هر کشور به تصویب قوانین و مقررات خاص و مدیران با اتخاذ تدابیر احتیاطی و راهکارهای فنی و مالی نوین سعی می‌کنند تا توان مالی شرکت‌های بیمه را در حد قابل قبولی حفظ کنند لذا هدف از این پژوهش ارائه یک مدل هوشمند جهت پیش‌بینی توانگری مالی در شرکت‌های بیمه، به عنوان یک سیستم پشتیبان تصمیم می‌باشد. روش‌شناسی: به منظور ارائه مدل پیش‌بینی کننده توانگری مالی شرکت‌های بیمه با بررسی پیشینه تعداد 17متغیر به عنوان متغیر پیش‌بین جهت پیش‌بینی طبقه توانگری مالی از منابع معتبر سایت بیمه مرکزی ج.ا.ا، طی سال 1392 تا 1396 استخراج ‌شده است. در این پژوهش ابتدا نتایج حاصل از به‌کارگیری مدل‌های مختلف پیش‌بینی مبتنی بر هوش مصنوعی شامل: درخت تصمیم، شبکه عصبی، نایبویز مورد مقایسه قرار گرفت در مرحله بعد رتبه بندی الگوریتم های پیش بینی شونده مورد بررسی قرار گرفت. یافته‌ها: نتایج حاصل از این پژوهش نشان داد درخت تصمیم با دقت 99 درصد بهترین عملکرد را در پیش‌بینی توانگری مالی دارد با توجه به اینکه درخت تصمیم، مدل‌های شناخت و نگاشت غیرخطی و الگوهای آشوب گونه بین متغیرهای هدف و تصمیم می‌باشد. نتیجه‌گیری: بالا بودن دقت مدل درخت تصمیم در پیش‌بینی توانگری مالی، را اثبات می‌کند و مدل استخراج شده با استفاده از درخت تصمیم دقت و قابلیت بسیار بالایی در تخمین را داراست.

The Behavior of Nonlinear Models in Predicting the Financial Strength of Stock Exchange Companies

Purpose: Since surviving on obligations to insurers and maximizing the benefits of the company is one of the most important goals of insurance companies, and on the one hand, the regulatory agencies of each country are trying to enact specific laws and regulations and managers by adopting precautionary measures and modern technical and financial strategies. The purpose of this study was to present an intelligent model for predicting financial empowerment in insurance companies as a decision support system. Methodology: In order to present a model of predicting the financial health of insurance companies by examining the background of 17 variables as predictor variables for predicting the class of financial wealth, extracted from reliable sources of central insurance site of the Islamic Republic of Iran during 20132017. In this study, first, the results of applying different prediction models based on artificial intelligence including: decision tree, neural network, nibbles were compared. Then, the ranking of predictive algorithms was evaluated. Results: The results of this study showed that the decision tree with 99% accuracy has the best performance in predicting financial ability, considering that the decision tree is a nonlinear cognition and mapping models and patterns of turbulence between goal and decision variables. Conclusion: The accuracy of the decision tree model in predicting financial robustness is high and the model extracted using decision tree has high accuracy and capability in estimation. JELClassification: G11,G17, M6