تحقیقات حسابداری و حسابرسی

تحقیقات حسابداری و حسابرسی

کاربرد یادگیری ماشین در ارائه الگویی برای پیش بینی ورشکستگی

نوع مقاله : مقاله پژوهشی

نویسندگان
افشین هاشمی گل سفیدی 1
زهرا لشگری 2
زهره حاجیها 3
1 گروه حسابداری، واحد بین الملل کیش، دانشگاه آزاد اسلامی، جزیره کیش، ایران
2 استادیار گروه حسابداری واحد تهران مرکزی دانشگاه آزاد اسلامی
3 دانشیار گروه حسابداری دانشگاه آزاد اسلامی واحدتهران شرق، تهران، ایران
10.22034/iaar.2022.168271
چکیده
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 می­دهد 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.
کلیدواژه‌ها
یادگیری ماشین
الگوریتم خوشه‌بندی
پیش بینی ورشکستگی
  1. آشتاب، علی، حقیقت، حمید، کردستانی، غلامرضا. (1396). "مقایسۀ دقت مدل‌های پیش‌بینی بحران مالی و تأثیر آن بر ابزارهای مدیریت سود". بررسی‏‌های حسابداری و حسابرسی، دوره 24، شماره2، ص ص 147-172.
  2. اعتبار، شکوفه، دارابی، رویا، حمیدیان، محسن، جعفری، سیده محبوبه. (1398). "مقایسه توانایی الگوریتم‌های یادگیری ماشین آدابوست و طبقه‌بندی احتمالی بیزین در پیش‌بینی بیش‌اطمینانی مدیران شرکت‌های بازار سرمایه ایران". مهندسی مالی و مدیریت اوراق بهادار. دوره 10، شماره 39، ص ص 1-25.
  3. اژدری، فاطمه، رهنما رودپشتی، فریدون، حمیدیان، محسن، جعفری، سیده محبوبه، باغانی، علی. (1398). "انتخاب پرتفوی سهام جهت سرمایه گذاری و شناسایی شرکت های برتر با روش محدودیت ال و با استفاده از روش یادگیری ماشین". راهبرد مدیریت مالی، (در حال انتشار). doi: 10.22051/jfm.2019.24505.1968
  4. سلیمانی امیری، غلامرضا (1389). "بررسی شاخص های پیش بینی کننده ورشکستگی در شرایط محیطی ایران"، پایان نامه دکتری، رشته حسابداری، دانشگاه تهران.
  5. شاهوردیانی، شادی، خواجه زاده، سامیران. (1397). "تحلیل نوسان قیمت سهام شرکت های پذیرفته شده در بورس اوراق بهادار تهران با استفاده از روش یادگیری ماشین". سیاست گذاری پیشرفت اقتصادی، دوره ، شماره 1، ص ص 69-91.
  6. قلی زاده سالطه، توحید؛ اقبال‌نیا، محمد؛ آقابابائی، محمد ابراهیم. (1398). "پیش‌بینی ورشکستگی با مدل یادگیری ماشین سریع مبتنی بر کرنل بهینه‌شده با الگوریتم گرگ خاکستری"، تحقیقات مالی، دوره 21، شماره 2، ص ص 187-212.
  7. Altman, Edward I. 1968. "Financial ratios, discriminant analysis and the prediction of corporate " The journal of finance 23 (4):589-609.Alpaydin, Ethem. 2009. Introduction to machine learning: MIT press.
  8. Amit, Raphael, and Joshua Livnat. 1990. "Grouping of Conglomerates by Their Segments’ Economic Attributes: Towards a More Meaningful Ratio Analysis." Journal of Business Finance & Accounting 17 (1):85-100.
  9. Clarke, Richard N. 1989. "SICs as delineators of economic markets." Journal of Business:17-31.
  10. Chen, Ming-Syan, Jiawei Han, and Philip S. Yu. 1996. "Data mining: an overview from a database perspective." IEEE Transactions on Knowledge and data Engineering 8 (6):866-883.
  11. De Franco, Gus, Ole-Kristian Hope, and Stephannie Larocque. 2015. "Analysts’ choice of peer " Review of Accounting Studies 20 (1):82-109.
  12. Elvis Hernandez-Perdomo , Yilmaz Guney , Claudio M. Rocco . (2018). A reliability model for assessing corporate governance using machine learning techniques, Reliability Engineering and System Safety, doi: https://doi.org/10.1016/j.ress.2018.12.027
  13. Fan, Joseph PH, and Larry HP Lang. 2000. "The measurement of relatedness: An application to corporate diversification." The Journal of Business 73 (4):629-660.
  14. Felipe Dias Paiva , Rodrigo Tom«as Nogueira Cardoso , Gustavo Peixoto Hanaoka , Wendel Moreira Duarte . (2018). Decision-Making for Financial Trading: A Fusion Approach of Machine Learning and Portfolio Selection, Expert Systems With Applications, doi: https://doi.org/10.1016/j.eswa.2018.08.003.
  15. Guha, Sudipto, Adam Meyerson, Nina Mishra, Rajeev Motwani, and Liadan O'Callaghan. "Clustering data streams: Theory and practice." IEEE transactions on knowledge and data engineering 15(3): 515-528.
  16. Gupta, Manak C, and Ronald J Huefner. 1972. "A cluster analysis study of financial ratios and industry characteristics." Journal of Accounting Research:77-95.
  17. Hoberg, Gerard, and Gordon Phillips. 2010. "Product market synergies and competition in mergers and acquisitions: A text-based analysis." The Review of Financial Studies 23 (10):3773-3811.
  18. Hoberg, Gerard, and Gordon Phillips. 2016. "Text-based network industries and endogenous product differentiation." Journal of Political Economy 124 (5):1423-1465.
  19. Holmes, Thomas J, and John J Stevens. 2004. "Spatial distribution of economic activities in North America." In Handbook of regional and urban economics, 2797-2843. Elsevier.
  20. Jensen, Robert E. 1971. "A cluster analysis study of financial performance of selected business " The Accounting Review 46 (1):36-56.
  21. Krishnan, Jayanthi, and Eric Press. 2003. "The north american industry classification system and its implications for accounting research." Contemporary Accounting Research 20 (4):685-717.
  22. Kothari, Sagar P, Andrew J Leone, and Charles E Wasley. 2005. "Performance matched discretionary accrual measures." Journal of Accounting and Economics 39 (1):163-197.
  23. C. Cavalcante, R.C. Brasileiro, V.L.F. Souza, J.P. Nobrega, A.L.I. Oliveira. (2016), Computational intelligence and financial markets: A survey and future directions, Expert Systems with Applications, 55 , pp 194-211.
  24. Ramnath, Sundaresh. 2002. "Investor and analyst reactions to earnings announcements of related firms: An empirical analysis." Journal of Accounting Research 40 (5):1351-1376.
  25. Shumway, Tyler. 2001. "Forecasting bankruptcy more accurately: A simple hazard model." The journal of business 74 (1):101-124.
  26. Ting-Hsuan Chen, Ruey-Jenn Ho, Yi-Wei Liu. (2018). Investigating the Predictive Power of Investor Personality in Forecasting Investment Performance using machine learning models, Computers in Human Behavior, doi: 10.1016/j.chb.2018.09.027
  27. van Liebergen, Bart. 2017. Machine learning: A revolution in risk management and compliance? Journal of Financial Transformation 45: 60-67.
  28. Vlad, M., Tulvinschi, M., & Chiriţă, I. (2011). The consequences of fraudulent financial reporting. The USV Annals of Economics and Public Administration, 11(1), 264-268.
  29. Wu, Xindong, Vipin Kumar, J Ross Quinlan, Joydeep Ghosh, Qiang Yang, Hiroshi Motoda, Geoffrey J McLachlan, Angus Ng, Bing Liu, and S Yu Philip. 2008. "Top 10 algorithms in data mining." Knowledge and information systems 14 (1):1-37.
  30. Young, Steven, and Yachang Zeng. 2015. "Accounting comparability and the accuracy of peerbased valuation models." The Accounting Review 90 (6):2571-2601.
  31. -P. Huang and M.-F. Yen. (2019). A new perspective of performance comparison among machine learning algorithms for financial distress prediction, Applied Soft Computing Journal, doi: https://doi.org/10.1016/j.asoc.2019.105663.