کاربرد روش انتخاب ویژگی هارک (HARC) در پیش بینی درماندگی مالی شرکت ها در بورس اوراق بهادار تهران

نوع مقاله: مقاله پژوهشی

نویسندگان

1 کارشناس ارشد مهندسی مالی دانشگاه تهران

2 استادیار دانشکده مدیریت دانشگاه تهران

چکیده

یکی از مسائل مهم در پیش­بینی درماندگی مالی، انتخاب متغیرهای پیش­بین می­باشد. پژوهش پیش رو به نشان رویکردی جدید برای انتخاب ویژگی با استفاده از دسته­بندی نسبت­های مالی بر مبنای مفاهیم مالی و ترکیب روش­های آماری با الگوریتم­های فراابتکاری می­پردازد. بدین منظور 34 نسبت مالی برای شرکت­های تولیدی درمانده براساس ماده 141 قانون تجارت و به همان تعداد شرکت سالم به صورت تصادفی از شرکت­های پذیرفته شده در بورس اوراق بهادار تهران در بازه زمانی 1380 تا1390با استفاده از صورت­های مالی حسابرسی­ شده برای یک و دو سال قبل از درماندگی جمع­آوری شده است. سپس با استفاده از آزمون آماری تی و الگوریتم ژنتیک، بهترین نسبت­ها انتخاب و با استفاده از ماشین بردار پشتیبان، پیش­بینی درماندگی مالی انجام شده است. ­نتایج بدست آمده از پژوهش حاکی از آن است که روش پیشنهادی هارک در یک و دو سال پیش از وقوع درماندگی به طور معناداری در پیش­بینی درماندگی مالی نسبت به رگرسیون لجستیک و مدل آلتمن از عملکرد بهتری برخوردار است.

کلیدواژه‌ها


عنوان مقاله [English]

The Use of Feature Selection Method (HARC) in Predicting Financial Distress in Tehran Stock Exchange

نویسندگان [English]

  • Maede Taj mazinani 1
  • Saeid Fallahpour 2
  • Saeed Bajalan 2
1 universityt of tehran
2 tehran university
چکیده [English]

One of the most important issues in financial distress prediction is the selection of predicting variables. The present research in contrast to previous works provides a new approach to feature selection using the classification of financial ratios based on financial semantics and a combination of statistical methods with meta-heuristic algorithms.
To this end, 34 financial ratios based on the audited financial statements are collected for distressed manufacturing companies  according to paragraph 141 of Iran Trade Law and healthy companies listed in Tehran stock exchange (TSE) sampled randomly between 2001 and 2011 for one and two years prior to distress. Then, using t-test and genetic algorithm respectively, best ratios from the primary feature set are selected and support vector machine is applied to predict financial distress. The experimental results showed that the proposed HARC method outperforms logistic regression and Altman model significantly for one and two years prior to distress in predicting financial distress. 

کلیدواژه‌ها [English]

  • Feature Selection
  • financial distress prediction
  • financial ratios
  • genetic algorithm
-     بولو، قاسم، کرمی، اصغر. (1393). ارزیابی میزان اثربخشی الگوهای جریان وجوه نقد و مدل برنامه­ریزی ژنتیک در پیش­بینی درماندگی مالی شرکت­ها. فصلنامه تحقیقات حسابداری و حسابرسی، 22، 93-70

-     پورزمانی، زهرا، جهانشاد، آزیتا، عین قلایی شهرام. (1388). « پیش­بینی وضعیت مالی و اقتصادی شرکت­ها با استفاده از نسبت­های مالی مبتنی بر سود، جریان­های نقدی و رشد». پژوهش نامه حسابداری مالی و حسابرسی. 1(3)، 115-93.

-     راعی رضا، فلاح پور سعید. (1387). «کاربرد ماشین بردار پشتیبان در پیش­بینی درماندگی مالی شرکتها با استفاده از نسبتهای مالی». فصلنامه بررسیهای حسابداری و حسابرسی،53، 34-17.

-     رهنمای رودپشتی فریدون، علیخانی راضیه، مران­جوری مهدی. (1388). «بررسی کاربرد مدل‌های پیش‌بینی ورشکستگی آلتمن و فالمر در شرکت‌های پذیرفته شده در بورس اوراق بهادار تهران» فصلنامه بررسی­های حسابداری و حسابرسی، 55، 34-19.

-     محسنی، رضا، آقابابایی، رضا، محمدقربانی، وحید. (1392). پیش­بینی درماندگی مالی با بکار بردن کارایی به عنوان یک متغیر پیش­بینی کننده. فصلنامه پژوهش­ها و سیایت­های اقتصادی، 65، 146-123.

-     مرادی، محسن، شفیعی سردشت، مرتضی، ابراهیم پور، ملیحه. (1391). « پیش بینی درماندگی مالی شرکت‌ها بوسیله‌ی مدل‌های ماشین بردار پشتیبان و تحلیل ممیزی چندگانه». فصلنامه بورس اوراق بهادار ،18، 136-118.

-     موسوی شیری، محمد، بافنده ایماندوست، صادق، بلندرفتار پسیخانی، محمد. (1392). کاربرد روش k-نزدیک­ترین همسایه در پیش­بینی درماندگی مالی شرکت­های پذیرفته شده در بورس اوراق بهادار تهران. دو فصلنامه اقتصاد پولی و مالی، 6، 66-48.

-      مهرانی ساسان، مهرانی کاوه، منصفی یاشار، کرمی غلامرضا.(1384)« بررسی کاربردی الگوهای پیش­بینیورشکستگی زمیسکی و شیراتا در شرکتهای پذیرفته شده در بورس اوراق بهادار تهران». فصلنامه بررسی‌های حسابداری و حسابرسی،41، 131 -105.

-      Altman, E. I. (1968). Financial ratios, discriminant analysis and the prediction of corporate bankruptcy. The journal of finance, 23(4), 589-609.

-      Atiya, A. F. (2001). Bankruptcy prediction for credit risk using neural networks: A survey and new results. Neural Networks, IEEE Transactions on, 12(4), 929-935.

-      Chen, L.-H., & Hsiao, H.-D. (2008). Feature selection to diagnose a business crisis by using a real GA-based support vector machine: An empirical study. Expert Systems with Applications, 35(3), 1145-1155.

-      Cho, S., Kim, J., & Bae, J. K. (2009). An integrative model with subject weight based on neural network learning for bankruptcy prediction. Expert Systems with Applications, 36(1), 403-410.

-      Cristianini, N., & Shawe-Taylor, J. (2000). An introduction to support vector machines and other kernel-based learning methods: Cambridge university press.

-      Dash, M., & Liu, H. (1997). Feature selection for classification. Intelligent data analysis, 1(1), 131-156.

-      Fodor, I. A Survey of Dimension Reduction Techniques. Lawrence Livermore National Laboratory (LLNL) Technical Report, June 2002: UCRL-ID-148494.

-      Geng, R., Bose, I., & Chen, X. (2015). Prediction of financial distress: An empirical study of listed Chinese companies using data mining. European Journal of Operational Research, 241(1), 236-247.

-      Gordon, M. J. (1971). Towards a theory of financial distress. The journal of finance, 26(2), 347-356.

-      Horrigan, J. O. (1968). A short history of financial ratio analysis. Accounting Review, 284-294.

-      Huang, Z., Chen, H., Hsu, C.-J., Chen, W.-H., & Wu, S. (2004). Credit rating analysis with support vector machines and neural networks: a market comparative study. Decision support systems, 37(4), 543-558.

-      Liang, D., Tsai, C.-F., & Wu, H.-T. (2015). The effect of feature selection on financial distress prediction. Knowledge-Based Systems, 73, 289-297.

-      Lin, F., Liang, D., Yeh, C.-C., & Huang, J.-C. (2014). Novel feature selection methods to financial distress prediction. Expert Systems with Applications, 41(5), 2472-2483.

-      Min, J. H., & Lee, Y.-C. (2005). Bankruptcy prediction using support vector machine with optimal choice of kernel function parameters. Expert Systems with Applications, 28(4), 603-614.

-      Saeys, Y., Inza, I., & Larrañaga, P. (2007). A review of feature selection techniques in bioinformatics. bioinformatics, 23(19), 2507-2517.

-      Shin, K.-S., Lee, T. S., & Kim, H.-j. (2005). An application of support vector machines in bankruptcy prediction model. Expert Systems with Applications, 28(1), 127-135.

-      Sun, J., & Li, H. (2009). Financial distress prediction based on serial combination of multiple classifiers. Expert Systems with Applications, 36(4), 8659-8666.

-      Tsai, C.-F. (2009). Feature selection in bankruptcy prediction. Knowledge-Based Systems, 22(2), 120-127.

-      Vafaie, H., & Imam, I. F. (1994). Feature selection methods: genetic algorithms vs. greedy-like search. Paper presented at the Proceedings of international conference on fuzzy and intelligent control systems.

-      Wang, L. (2005). Support Vector Machines: theory and applications (Vol. 177): Springer Science & Business Media.

-      Whitaker, R. B. (1999). The early stages of financial distress. Journal of Economics and Finance, 23(2), 123-132.