تحقیقات حسابداری و حسابرسی

تحقیقات حسابداری و حسابرسی

کاربرد XGBoost برای پیش‌بینی درماندگی مالی شرکت‌ های پذیرفته شده در فرابورس و بورس اوراق بهادار تهران

نوع مقاله : مقاله پژوهشی

نویسندگان
شهلا ابراهیمی 1
محمد نمازی 2
1 دانشجوی دکتری حسابداری دانشگاه شیراز، ایران
2 استاد ممتاز حسابداری دانشگاه شیراز، ایران
10.22034/iaar.2024.206034
چکیده
هدف این مقاله، پیش‌بینی درماندگی مالی بالقوه شرکت‌های پذیرفته شده در فرابورس و بورس اوراق بهادار است. بدین منظور، دامنه گسترده‌ای از ویژگی‌ها از جمله متغیرهای حسابداری تعهدی، حسابداری نقدی، بازار سهام، مکانیسم‌های حاکمیت شرکتی و شاخص‌های اقتصاد کلان برای پیش‌بینی درماندگی مالی شرکت‌های نمونه شناسایی شده‌اند. نمونه نهایی شامل 421 شرکت و در نتیجه، 3670 شرکت-سال مشاهده است. سپس، داده آماده شده با استفاده از نسبت 70 به 30 به مجموعه داده آموزشی و آزمایشی تفکیک شد. در این پژوهش، تکینک‌های پیش‌ پردازش داده یادگیری ماشین نظیر استانداردسازی نمره Z، وان-هات انکدینگ، اعتبارسنجی متقابل K لایه طبقه‌ای، همراه با مهندسی ویژگی برای بهبود عملکرد طبقه‌بندی کننده بکار گرفته شدند. روش اعتبارسنجی متقابل K لایه طبقه‌ای با (5=K) برای برآورد عملکرد پیش‌بینی مدل طی مرحله آموزش استفاده شد. طی مرحله آموزش، میزان‌سازی اَبرپارامتر مدل با استفاده از جستجوی شبکه‌ای انجام شد. افزون بر این، تکنیک SMOTE همراه با معیار مختص مسائل نامتوازن یعنی نمره F1 برای غلبه بر مسأله نامتوازنی افراطی کلاس‎ها استفاده شده است.
بر اساس نتایج تجربی، مدل XGBoost به نمرهF1، ضریب همبستگی متیوز، فراخوانی و دقتی به ترتیب برابر با 90%، 90%، 100% و 82% بر روی مجموعه آموزشی دست یافت. سرانجام، مدل پیشنهادی بر روی مجموعه آزمایشی کنار گذاشته شده آزمون شد که به نمرهF1، ضریب همبستگی متیوز، فراخوانی و دقتی به ترتیب برابر با 52%، 52%، 73% و 41% بر روی مجموعه آزمایشی منجر شد. این اطلاعات، ابزار قدرتمندی برای پیش بینی درماندگی مالی شرکت ها  فراهم می کنند.
کلیدواژه‌ها
پیش‌بینی درماندگی مالی
XGBoost
یادگیری ماشین
داده‌کاوی
بورس اوراق بهادار تهران
  1. احمدپور، احمد و حبیبه میرزایی اسرمی (1392). مقایسه مدل تحلیل تمایزی چندگانه با مدل شبکه‌های عصبی در پیش‌بینی ورشکستگی شرکت‌های پذیرفته شده در بازار بورس اوراق بهادار تهران. فصلنامه تحقیقات حسابداری و حسابرسی، سال پنجم، شماره 18، 22-4.
  2. کاتبی، حسینقلی (1380). حقوق تجارت. چاپ هفتم، تهران: انتشارات گنج دانش
  3. . Aktan, S. (2011). Early warning system for bankruptcy: Bankruptcy prediction (Doctoral dissertation, Karlsruhe Institute of Technology, KIT). Retrieved from https://d-nb.info/1019790032/34.
  4. Altman, E. I. (1984). “The success of business failure prediction models: An international survey”, Journal of Banking and Finance, 8(2), 171–198.
  5. Altman, E. I., & Narayanan, P. (1997). “An international survey of business failure classification models”, Financial Markets, Institutions & Instruments, 6(2), 1–57.
  6. Barboza, F., Kimura, H., & Altman, E. (2017). “Machine learning models and bankruptcy prediction”, Expert Systems with Applications, 83, 405–417.
  7. Beaver, W. H., Correia, M., & McNichols M. F. (2010). “Financial statement analysis and the prediction of financial distress”, Foundations and Trends in Accounting, 5(2), 99–173.
  8. Beaver, W. H., McNichols, M. F., & Rhie, J. W. (2005). “Have financial statements become less informative? Evidence from the ability of financial ratios to predict bankruptcy”, Review of Accounting Studies, 10(1), 93–122.
  9. Belli, G. (2009). Nonexperimental quantitative research. In S. D. Lapan & M. T. Quartaroli (Eds.), Research essentials: An introduction to designs and practices. (pp. 59-77). Jossey-Bass Publications.
  10. Bonnes, K. (2017). Predicting mortgage demand using machine learning techniques (Master Thesis, University of Twente). Retrieved from https://essay.utwente.nl/ 73640/7/Bonnes_MA_EEMCS.pdf.
  11. Chancharat, N. (2008). An empirical analysis of financially distressed Australian companies: The application of survival analysis (Doctoral dissertation, University of Wollongong). Retrieved from https://ro.uow. au/theses/401/.
  12. Charalambakis, E. C., & Garrett, (2018). “On corporate financial distress prediction: What can we learn from private firms in a developing economy? Evidence from Greece”, Review of Quantitative Finance and Accounting, 52(2), 467–491.
  13. 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.
  14. Etemadi, H., Anvary Rostamy, A. A., & Farajzadeh Dehkordi, H. (2009). “A genetic programming model for bankruptcy prediction: Empirical evidence from Iran”, Expert Systems with Applications, 36(2), 3199–3207.
  15. Fan, X. (2016). An adaptive and diversity-based ensemble method for binary classification (Master Thesis, Carleton University). Retrieved from https://curve.carleton.ca/system/files/etd/e2e72ad2-2da5-47b8-ab6a-28810d 5eb197/etd_pdf/81f038dc409086dafcc1cced7b46be03/fan-anadaptiveanddiv ersitybasedensemblemethod.pdf.
  16. Jaikengkit, A. (2004). Corporate governance and financial distress: an empirical analysis - the case of Thai financial institutions (Doctoral dissertation, Case Western Reserve University). Retrieved from ProQuest Dissertations and Theses A&I. (AAT 3118137).
  17. Jantadej, P. (2006). Using the combinations of cash flow components to predict financial distress (Doctoral dissertation, University of Nebraska). Retrieved from ProQuest Dissertations and Theses A&I. (AAT 3216429).
  18. Johnson, R. B., & Christensen, L. (2014). Educational research: quantitative, qualitative, and mixed approaches (5th ed.). London: SAGE Publications, Inc.
  19. Kothari, C. R. (2004). Research methodology, methods and techniques. New Delhi: New Age International (P) Ltd. Publishers.
  20. Leano, H. J. (2004). Discriminant analysis, factor analysis and regression analysis to classify financially distressed firms and predict bankruptcy using financial ratios and macroeconomic predictors: Model application to selected M&A (Master Thesis, Lamar University). Retrieved from ProQuest Dissertations and Theses A&I (AAT 1426146).
  21. Lee, K., Booth, D., & Alam, P. (2005). “A comparison of supervised and unsupervised neural networks in predicting bankruptcy of Korean firms”, Expert Systems with Applications, 29(1), 1–16.
  22. Lee, T. S., Yeh, Y. H., & Liu, R. T. (2003). Can corporate governance variables enhance the prediction power of accounting-based financial distress prediction models? (Center for Economic Institutions Working Paper Series, No. 2003-14). Retrieved from https://core.ac.uk/download/pdf/7063883.pdf.
  23. Lensberg, T., Eilifsen, A., & McKee, T. E. (2006). “Bankruptcy theory development and classification via genetic programming”, European Journal of Operational Research, 169(2), 677–697.
  24. Li, M. Y. L., & Miu, P. (2010). “A hybrid bankruptcy prediction model with dynamic loadings on accounting-ratio-based and market-based information: A binary quantile regression approach”, Journal of Empirical Finance, 17(4), 818–833.
  25. Lin, R. H., Wang, Y. T., Wu, C. H., & Chuang, C. L. (2009). “Developing a business failure prediction model via RST, GRA and CBR”, Expert Systems with Applications, 36(2), 1593–1600.
  26. McKee, T. E., & Lensberg, T. (2002). “Genetic programming and rough sets: A hybrid approach to bankruptcy classification”, European Journal of Operational Research, 138(2), 436–451.
  27. Nobre, J., & Neves R. (2019). “Combining Principal Component Analysis, Discrete Wavelet Transform and XGBoost to trade in the financial markets”, Expert Systems with Applications, 125, 181–194.
  28. Ohlson, J. A. (1980). “Financial ratios and the probabilistic prediction of bankruptcy”, Journal of Accounting Research, 18(1), 109 –131.
  29. Oleksy, T. A. (2017). Machine learning methods for mood disorder decision support (Master Thesis, University of Bergen). Retrieved from http://bora.uib.no/bitstream/handle/1956/16259/actigraphdataformoods.pdf?sequence=4&isAllowed=y.
  30. Pajkossy, K. (2013). Studying feature selection methods applied to classification tasks in natural language processing (Master Thesis, Eotvos Lorand University of Sciences). Retrieved from https://web.cs.elte.hu/ blobs/diplomamunkak/msc_alkmat/2013/pajkossy_katalin.pdf
  31. Pendharkar, P. C. (2005). “A threshold-varying artificial neural network approach for classification and its application to bankruptcy prediction problem”, Computers & Operations Research, 32(10), 2561–2582.
  32. Raschka, S. (2015). Python machine learning. Birmingham: Packt Publishing Ltd..
  33. Schellenger, M., & Cross, J. N. (1994). “FASB 95, Cash flow and bankruptcy”, Journal of Economics and Finance, 18(3), 261–274.
  34. Suntraruk, Phassawan (2009). Predicting Financial Distress: Evidence from Thailand. http://www. efmaefm. org/0EFMAMEETINGS/EFMA%20ANNU AL%20MEETINGS/2009-milan/phd/phassawan. pdf
  35. Uguroglu, S. (2013). Robust Learning with Highly Skewed Category Distributions (Doctoral dissertation, Carnegie Mellon University). Retrieved from https://pdfs.semanticscholar.org/c792/d83d78ff10b7a944d2c4e534c2c 55bdf59b8.pdf
  36. Wu, W. W. (2010). “Beyond business failure prediction”, Expert Systems with Applications, 37(3), 2371–2376.
  37. Wu, Y., Gaunt, C., & Gray, S. (2010). “A comparison of alternative bankruptcy prediction models”, Journal of Contemporary Accounting & Economics, 6(1), 34–45.
  38. Zhou, L., Lai, K. K., & Yen, J. (2012). “Empirical models based on features ranking techniques for corporate financial distress prediction”, Computers and Mathematics with Applications, 64(8), 2484–2496.
تحقیقات حسابداری و حسابرسی
دوره 16، شماره 62
تابستان 1403
صفحه 5-26