اگرچه تاکنون تحقیقات بسیاری در این زمینه صورت گرفته است، ولی استفاده از مدل‌های ترکیب شده انتخاب ویژگی و مدل طبقه‌بندی‌کننده از مسائلی است که فقط در سال‌های اخیر توجه پژوهشگران را به خود جلب کرده است.
هدف اصلی این پژوهش ارائه یک مدل پیش‌بینی‌کننده با عملکرد بالا و مقایسه نتایج حاصل از آن با دیگر مدل‌های رایج در پیش‌بینی درماندگی مالی است. به همین منظور از روش ترکیبی شبکه عصبی بر پایه الگوریتم بهینه‌سازی کرم شبتاب استفاده شده است. همچنین از مدل شبکه عصبی و مدل رگرسیون لجستیک که یکی از مدل‌های آماری طبقه‌بندی است نیز استفاده شده است. نتایج به دست آمده نشان می‌دهد که روش ترکیبی شبکه عصبی بر پایه الگوریتم بهینه‌سازی کرم شبتاب از عملکرد بالاتری نسبت به مدل شبکه عصبی و همچنین مدل رگرسیون لجستیک برخوردار است.
پیش‌بینی درماندگی مالی
تکنیک‌ها و مدل‌های پیش‌بینی ورشکستگی به سه طبقه کلی تکنیک‌های آماری، تکنیک‌های ابتکاری و مدل‌های نظری تقسیم شده و هرکدام از آنها نیز از زیر گروه‌های مختلفی تشکیل شده است. استفاده از این مدل‌ها برای پیش‌بینی ورشکستگی شرکت‌ها با یک ترتیب زمانی همراه بوده که به ترتیب عبارتند از: مدل‌های تک متغیری، تحلیل تشخیصی چندگانه، تحلیل لوجیت و پروبیت، الگوریتم افراز برگشتی و شبکه‌های عصبی مصنوعی.
ویلیام بیور اولین کسی بود که برای پیش‌بینی ورشکستگی شرکت‌ها از تکنیک‌های آماری و نسبت‌های مالی استفاده کرد و اولین فردی که برای پیش‌بینی ورشکستگی از تحلیل ممیز چندگانه استفاده کرد، ادوارد آلتمن است (۱۹۶۸ ,Altman). این محققان دریافتند که برخی از نسبت‌های مالی مشخص با نزدیک شدن شرکت‌ها به ورشکستگی، بطور قابل توجهی تغییر می‌کنند. تکنیک‌های آماری یک متغیری جزو اولین تکنیک‌هایی بودند که برای پیش‌بینی ورشکستگی مورد استفاده قرار گرفتند. با استفاده از این نوع تجزیه و تحلیل می‌توان قدرت پیش‌بینی‌کنندگی نسبت‌های مالی مختلف را بررسی کرد. در این تکنیک هر بار یکی از نسبت‌ها بررسی می‌شود. یکی از قدیمی‌ترین نسبت‌های مالی که برای ارزیابی وضعیت اعتباری در سال ۱۸۷۰ مورد استفاده قرار گرفت، نسبت جاری بود (۱۹۶۶ ,Beaver)
مدل پیش‌بینی شبکه‌های عصبی مصنوعی (AAN)
ادم و شاردا در سال ۱۹۹۰ اولین کسانی بودند که متفاوت از روش‌های آماری، تکنیک‌های محاسباتی مدل شبکه‌های عصبی را برای پیش‌بینی ورشکستگی در مطالعه‌ای غیر تجربی به کار گرفتند. آنها بیان کردند که رویکرد شبکه‌های عصبی برتری قابل ملاحظه‌ای نسبت به سایر روش‌های پیش‌بینی دارد. شبکه‌های عصبی می‌توانند طرح‌های پیچیده را به طور کارآمدتر و بهتری نسبت به روش‌های آماری تحلیل کنند و به مفروضات آماری محدود کننده ملزم نیست. این مزایا به مدل شبکه‌های عصبی اجازه می‌دهد تا سطح بالاتری از صحت را فراهم سازد. آنها در این مطالعه از یک شبکه پیشخور سه لایه استفاده کردند (۱۹۹۰ Odom & Sharda,). سالچنبرگر، سینار و لش در سال ۱۹۹۲ مطالعه‌ای در زمینه پیش‌بینی درماندگی مالی مؤسسات وام و پس‌انداز با استفاده از ANN انجام دادند و نتایج آن را با مدل لوجیت مقایسه کردند. نتایج این تحقیق نشان داد که شبکه‌های عصبی عملکرد بهتری از مدل لوجیت دارند (۱۹۹۲ Salchenberger & etc,). تام و کیانگ در سال ۱۹۹۲ شبکه‌های عصبی را با مدل ممیز خطی، مدل رگرسیون لجستیک، مدل نزدیک‌ترین مجاور و مدل درخت تصمیم مورد مقایسه قرار دادند. آنها برای انجام این پژوهش از اطلاعات ۵۹ بانک ورشکسته و ۵۹ بانک غیرورشکسته بین سال‌های ۱۹۸۵ تا ۱۹۸۷ استفاده کردند. نتایج این پژوهش نشان داد که مدل شبکه‌های عصبی از تمامی مدل‌های دیگر عملکرد بهتری دارد (۱۹۹۲ Tam & Kiang,).
نیتایاگاستوات در سال ۱۹۹۴ مدلی با استفاده از شبکه عصبی مصنوعی ارائه کرد که دقت پیش‌بینی آن ۸۰ درصد بود. نتایج این تحقیق نشان داد که ANN عملکرد بهتری از لوجیت و الگوریتم افراز بازگشتی دارد (۱۹۹۴ Nittayagasetwat,). مطالعه دیگری در سال ۱۹۹۷ توسط سرانو - سینکا با استفاده از پرسپترون چند لایه (MLP) صورت گرفت. در این مطالعه از ۳۷ بانک غیرورشکسته و ۲۹ بانک ورشکسته در طول سال‌های ۱۹۷۷ تا ۱۹۸۵ استفاده شد. برای انجام این پژوهش از ۹ نسبت مالی استفاده شد. در این تحقیق MLP با MDA مورد مقایسه قرار گرفت که دقت پیش‌بینی در MDA معادل ۸۶ درصد و با استفاده از MLP معادل ۹۴ درصد به دست آمد (۱۹۹۷ Serrano-Cinca,).
ژانگ، هو، پاتوا و ایندرو در سال ۱۹۹۹ با استفاده از اطلاعات ۲۲۰ شرکت (شامل ۱۱۰ شرکت ورشکسته و ۱۱۰ شرکت غیرورشکسته) و همچنین شش متغیر، مدلی را با استفاده از ANN ارائه کردند. نتایج این تحقیق نشان داد که دقت کلی پیش‌بینی شبکه‌های عصبی از رگرسیون لجستیک بیشتر است (۱۹۹۹ Zhang & etc,). شاه و مرتزا در سال ۲۰۰۰ مدلی را با استفاده از شبکه عصبی مصنوعی و اطلاعات ۶۰ شرکت ورشکسته و ۵۴ شرکت غیرورشکسته برای پیش‌بینی ورشکستگی ارائه دادند. آنها از هشت نسبت مالی استفاده کردند که این نسبت‌ها بر اساس مطالعات قبلی و مشاوره با متخصصان مالی انتخاب شدند. دقت پیش‌بینی این مدل ۷۳ درصد به دست آمد (۲۰۰۰ Shah & Murtaza,).
به عنوان یک روش جدید از روش‌های هوش مصنوعی، ماشین بردار پشتیبان عملکرد بهتری را نسبت به دیگر مدل‌های رایج در پیش‌بینی درماندگی مالی از خود نشان داده است (Sun and etc, ۲۰۱۲). شین و همکاران و جی و لی هر دو از ماشین بردار پشتیبان برای پیش‌بینی شرکت‌های کره‌ای استفاده کردند و به این نتیجه رسیدند که دقت حاصل شده بالاتر از دقتی بود که از مدل‌های آماری نظیر آلتمن و لاجیت بدست آمده بود و همچنین از روش شبکه عصبی نیز دقت بیشتری داشت (۲۰۰۵ Shin & etc,) (۲۰۰۵ Minand Lee,). هیو و سان و دینگ و همکارانش این بار از ماشین بردار پشتیبان برای پیش‌بینی شرکت‌های چینی استفاده کردند و به نتایجی مشابه رسیدند. ماشین بردار پشتیبان اغلب نتایج بهتری نسبت به دیگر مدل‌های طبقه‌بندی‌کننده در پیش‌بینی درماندگی مالی بر روی داده‌هایی که تعداد نمونه‌ها در آن نسبتاً کم است، نشان داده است (۲۰۰۶ Hui & Sun,) (۲۰۰۸ Ding & etc,). به دلیل اهمیت تشخیص درماندگی مالی محققان و پژوهشگران برای افزایش دقت پیش‌بینی سعی کردند از میان نسبت‌های مالی تعدادی از آنها را که باعث افزایش دقت می‌شود، انتخاب کنند. وو و همکارانش از الگوریتم ژنتیک برای افزایش دقت پیش‌بینی ماشین بردار پشتیبان استفاده کردند (۲۰۰۴ Wu & etc,).
یکی دیگر از روش‌های پر کاربرد در صنعت اعتباری، استفاده از ماشین بردار پشتیبان است و هوانگ و همکاران از اولین پژوهشگرانی بودند که با این تکنیک که جزو روش‌های یادگیری ماشینی است، اقدام به پیش‌بینی وضعیت اعتباری مشتریان بانک های ایالات متحده آمریکا کرده و نتایج حاصل دلالت بر دقت پیش‌بینی نزدیک به ۸۰ درصد برای دادههای به کار رفته در تحقیق آنها داشت (۲۰۰۷ Huang & etc,). لی پینگ در تحقیق خود با استفاده از روش ترکیبی ماشین بردار پشتیبان با الگوریتم انتخاب ویژگی ذره‌ای مبادرت به رتبه‌بندی اعتباری مجموعه دادههای خود کرد که نتایج حاصل حاکی از بهتر بودن روش پیشنهادی نسبت به روش شبکه عصبی هستند (۲۰۱۱ Li ping,). لی و همکاران با استفاده از روش انتخاب ویژگی پوشش دهنده شبکه عصبی بر مبنای آنالیز اجزای اساسی اقدام به پیش‌بینی درماندگی مالی شرکت‌ها در کشور کره پرداخت که نتایج حاکی از برتری این روش نسبت به شبکه عصبی است (۲۰۱۴ Li & etc,).
نتیجه‌گیری
نتایج به دست آمده از مدل ترکیبی شبکه عصبی بر پایه الگوریتم کرم شبتاب، نشان داد که این مدل توان بالایی در پیش‌بینی درماندگی مالی شرکت‌ها دارد. البته با دور شدن از سال وقوع درماندگی مالی، از دقت پیش‌بینی مدل کاسته می‌شود که این امر نیز طبیعی است. نتایج حاصل از مدل ترکیبی شبکه عصبی بر پایه الگوریتم کرم شبتاب با نتایج حاصل از مدل رگرسیون لجستیک مقایسه شد و نتایج نشان دادند که مدل پیشنهادی پژوهش از دقت بالاتری برای پیش‌بینی درماندگی مالی شرکت‌ها نسبت به مدل رگرسیون برخوردار است و می‌توان گفت که: «دقت کلی پیش‌بینی مدل ترکیبی شبکه عصبی بر پایه الگوریتم کرم شبتاب در پیش‌بینی درماندگی مالی بطور معنی‌داری از مدل رگرسیون لجستیک بیشتر است».
- علی مایلی - تحلیلگر بازارهای مالی
- شماره ۴۷۹ هفته نامه اطلاعات بورس
نظر شما