دانلود مقاله ISI انگلیسی شماره 46642 + ترجمه فارسی
ترجمه فارسی عنوان مقاله

عملکرد مدل‌های پیش‌بینی درماندگی مالی شرکت‌ها با قابلیت انتخاب ویژگی با استفاده از روش‌های دانش محیط کاربرد و داده‌کاوی

عنوان انگلیسی
The performance of corporate financial distress prediction models with features selection guided by domain knowledge and data mining approaches
کد مقاله سال انتشار تعداد صفحات مقاله انگلیسی ترجمه فارسی
46642 2015 10 صفحه PDF 24 صفحه WORD
دانلود فوری مقاله + ترجمه آماده
پس از پرداخت، فوراً می توانید مقاله را دانلود فرمایید.
منبع

Publisher : Elsevier - Science Direct (الزویر - ساینس دایرکت)

Journal : Knowledge-Based Systems, Volume 85, September 2015, Pages 52–61

فهرست مطالب ترجمه فارسی
چکیده

کلمات کلیدی

1.مقدمه

2. دانش محیط کاربرد در مقایسه با داده‌کاوی در انتخاب ویژگی

2.1. انتخاب ویژگی با استفاده از دانش محیط کاربرد

2.2 روش‌های داده‌کاوی برای انتخاب ویژگی

2.3. روش‌های توکار

2.4 چارچوب طرح تجربی

3. مطالعه‌ی تجربی

3.1. مجموعه داده‌ها

3.2 شرایط آزمایش

3.3 نتایج تجربی

4. نتیجه‌گیری
ترجمه کلمات کلیدی
پیش بینی بحران مالی - ویژگی های انتخاب - دامنه دانش - داده کاوی
کلمات کلیدی انگلیسی
Financial distress prediction; Features selection; Domain knowledge; Data mining
ترجمه چکیده
متخصصان امور مالی و حسابداری برای پیش‌بینی درماندگی مالی برطبق درک حرفه‌ایشان از مشخصه‌های ویژگی‌ها از زیرمجموعه‌ی ویژگی استفاده می‌کنند، در حالی که محققان حوزه‌ی داده‌کاوی اغلب اعتقاد دارند که داده‌ها نمی‌توانند به تنهایی گویای همه چیز باشند و برای جستجوی زیرمجموعه‌های ویژگی بدون از روش‌های داده‌کاوی مختلفی استفاده می‌کنند بی‌آنکه به معنای مالی و حسابداری این ویژگی‌ها توجهی نمایند. این مقاله عملکرد مدل‌های مختلف پیش‌بینی درماندگی مالی شرکت‌ها با روش انتخاب ویژگی مبتنی بر روش‌های دانش محیط کاربرد و داده‌کاوی را بررسی می‌کند. نتایج تجربی نشان می‌دهند که بین بهترین عملکرد دسته‌بندی مدل‌های دارای قابلیت انتخاب ویژگی بهره برده از روش‌های داده‌کاوی و دانش محیط کاربرد هیچ تفاوت قابل توجهی وجود ندارد. با این حال ترکیب روش انتخاب ویژگی مبتنی بر دانش محیط کاربرد و الگوریتم ژنتیک می‌تواند به نسبت روش‌های انتخاب ویژگی مبتنی بر محیط کاربرد و داده‌کاوی خاص عملکرد بهتری در عملکرد AUC داشته باشد.
ترجمه مقدمه
پیش‌بینی درماندگی مالی شرکت (CFDP) برای سرمایه‌گذاران، اعتباردهندگان و شرکای شرکت مانند فروشندگان و خرده‌فروشان بسیار مهم باشد. سرمایه‌گذاران و اعتباردهندگان باید قبل از هرگونه تصمیم در مورد سرمایه‌گذاری یا دادن اعتبار به شرکت ریسک درمانگی مالی شرکت مربوطه را ارزیابی کنند تا از احتمال بروز زیان بزرگ اجتناب کنند. فروشندگان یا خرده‌فروشان همیشه با شرکت معامله‌ی غیرنقدی دارند و همچنین باید کاملاً از وضعیت مالی شرکت آگاه باشند و در مورد انجام معاملات غیرنقدی تصمیم‌گیری کنند. پیش‌بینی صحیح درماندگی مالی شرکت یکی از دغدغه‌های بزرگ بسیاری از ذینفعان شرکت است. این معناداری عملی سبب انجام تحقیقات بسیاری در مورد مسئله‌ی پیش‌بینی درماندگی مالی شرکت شده است. اکثر این پژوهش‌ها برای توسعه‌ی مدل‌هایی برای پیش‌بینی درماندگی مالی (CFDPM) به منظور افزایش دقت پیش‌بینی غالباً بر روی معرفی یا بهبود روش‌هایی کمّی از رشته‌ی آمار و داده‌کاوی تمرکز دارند. بررسی مقدماتی CFDPM با استفاده از چارچوب چندمتغیره‌ی پیشنهادی آلتمان مبتنی بر روش تحلیل تشخیصی بود. پس از آن برای توسعه‌ی CFDPM روش‌های آماری و داده‌کاوی پیچیده‌ای از قبیل شبکه‌های عصبی، درخت تصمیم‌گیری و ماشین بردار پشتیبان معرفی شدند. علاوه بر این می‌توان نظریه‌ی فازی هم برای توسعه‌ی CFDPM استفاده کرد. اکثر تحقیقات امروزی عمدتاً بر روی توسعه‌ی مدل‌های هیبریدی مرکب از دو یا چند روش تمرکز دارند. هرچند که اغلب نتایج تجربی موجود در این پژوهش‌ها نمایانگر این مسئله بودند که مدل‌های هیبریدی می‌توانند عملکردی بهتر از مدل‌های مجزا داشته باشند، اما همیشه انجام محاسبات زمان می‌برد و نظریه یا منطق انجام این ترکیب همیشه مشخص و آشکار نیست که همین مسئله تا حدی مانع از کاربرد وسیع‌شان در سطح عملی می‌شود. مسئله‌ی پیش‌بینی درماندگی مالی شرکت برای پیش‌بینی اینکه آیا در آینده دچار مشکل در پرداخت بدهی‌ها یا مشکلات مالی خواهد شد یا خیر از تمام اطلاعات در حال حاضر موجود مرتبط با شرکت بهره خواهد برد. متعاقباً عملکرد CFDPM نه تنها به‌وسیله‌ی مدل یا روش‌های مورد استفاده برای پیش‌بینی مشخص می‌شود بلکه همچنین با انتخاب اطلاعات دردسترس هم چنین امکانی وجود دارد. عملاً برخی از سازمان‌های رتبه‌بندی اعتبار فقط از تجربیات و قضاوت‌های خود برای انتخاب اطلاعات مربوطه جهت ارزیابی ریسک اعتبار شرکت یا افرادی خاص استفاده می‌کنند و به جای استفاده از مدل‌های آماری پیچیده از کارت امتیازی بهره می‌برند. با این حال حجم اطلاعات مرتبط با شرکت‌ها از جمله اوضاع اقتصاد کلان، مشخصه‌های شرکت، وضعیت مالی و اطلاعات بازار زیاد است و اکثر پژوهش‌ها نشان داده‌اند که اطلاعات امور مالی و بازاریابی بیشترین کارایی را در پیش‌بینی درماندگی مالی دارند. در توسعه‌ی مدل پیش‌بینی درماندگی مالی شرکت باید کدام اطلاعات مالی و بازاریابی را مدنظر قرار داد؟ اغلب در انتخاب زیرمجموعه‌ی ویژگی برای مدل‌های پیش‌بینی درماندگی مالی شرکت دو جریان تحقیقاتی وجود دارد. یکی از این جریان‌های تحقیقاتی مبتنی بر دانش محیط کاربرد نظریه‌ی مالی و حسابداری است. مشخصه‌ی اصلی ویژگی‌های انتخاب شده توسط دانش محیط کاربرد اسن است که از لحاظ نظریه‌ی مالی و حسابداری می‌توان اثر ویژگی‌ها بر روی درماندگی مالی را تا حدی ارزیابی کرد. آلتمان مجموعه‌ای از بیست و دو نسبت مالی و اقتصادی را در پیش‌بینی ورشکستگی شرکت‌ها بررسی کرد و دریافت که زیرمجموعه‌ای از متغیرهای زیر برای پیش‌بینی درماندگی مالی سودمند است: سرمایه در گردش/کل دارایی، سود انباشته/کل دارایی، درآمد قبل از بهره و مالیات/کل دارایی، سهم ارزش بازار/ارزش دفتری کل بدهی. آلتمان و همکاران در روش‌های حسابداری و کیفیت اسناد مالی در بین شرکت‌های چینی و شرکت‌های غربی تفاوت آشکاری مشاهده کردند و متغیرهایی را که در چین به شدت مقبول بودند و به تحقیقات پیشین کمک کرده بودند را مدنظر قرار دادند. آن‌ها پانزده متغیری را بررسی کردند که نمایانگر جنبه‌های مختلف شرکت بودند از جمله سودآوری، نقدینگی و قدرت پرداخت بدهی و کارایی مدیریت دارایی و ساختار سرمایه و اهرم مالی. پس از بررسی چندین ترکیب از این 15 متغیر مشخصه دریافتند که زیرمجموعه‌ی ویژگی زیر بهترین عملکرد را دارا است: کل بدهی/کل دارایی، سود خالص/متوسط کل دارایی، سرمایه در گردش/کل دارایی و سود انباشته/کل دارایی. شاموی مدل خطر ساده‌ای را ایجاد و به کمک آن عملکرد متغیرهای آلتمان و زمیجوسکی و مجموعه متغیرهای جدیدی از جمله متغیرهای حسابداری و سه متغیر بازار محور را مقایسه کرد. نتایج تجربی نشان می‌دهند که مجموعه متغیرهای حسابداری و بازار محور جدید به نسبت دو مدل جایگزین دیگر در پیش‌بینی خارج از نمونه عملکرد بهتری دارد. زیرمجموعه‌ی ویژگی حسابداری و بازارمحور عبارت است از: درآمد خالص/دارایی کل، بدهی کل/دارایی کل، اندازه‌ی نسبی (سرمایه‌گذاری بازار/اندازه‌ی کل بازار مربوطه)، بازده‌ی مازاد گذشته‌ی شرکت و انحراف معیار ویژه بازده‌ی سهام شرکت. پژوهش راوی و راوی 128 مقاله‌ی مرتبط با پیش‌بینی ورشکستگی را بررسی و بیش از 500 متغیر مختلف مورد استفاده توسط این مقاله‌ها را فهرست کردند. تقریباً تمام این 128 مقاله از زیرمجموعه‌های ویژگی مختلفی بهره گرفتند. شاید طبیعی باشد که متخصصان مختلف در رابطه با اینکه چه اطلاعاتی را باید برای پیش‌بینی درماندگی مالی شرکت مدنظر قرار داد نظراتی متفاوتی داشته باشند. جریان تحقیقاتی دیگر در زمینه‌ی انتخاب زیرمجموعه‌ی ویژگی مبتنی بر روش‌های داده‌کاوی است. طرفداران جریان تحقیقاتی داده‌کاوی اعتقاد دارند که داده‌ها گویای همه‌چیز هستند و این روش برای تعیین اینکه کدام زیرمجموعه‌ی ویژگی قادر به بهبود عملکرد پیش‌بینی بدون توجه به معنای ویژگی‌ها از لحاظ مالی و حسابداری است از برخی روش‌های انتخاب ویژگی استفاده می‌کند. تسای با مقایسه‌ی پنج روش مشهور انتخاب ویژگی مورد استفاده برای پیش‌بینی ورشکستگی و استفاده از شبکه‌های عصبی پرسپترون چندلایه مدل پیش‌بینی‌ای را ایجاد کردند و دریافتند که روش انتخاب ویژگی آزمون t به نسبت سایر روش‌ها عملکرد بهتری دارد. دو ژاردنبراساس مدل متشکل از مجموعه متغیرهای انتخاب شده توسط معیاری منطبق با شبکه‌ی مسئله‌ی پیش‌بینی ورشکستگی شبکه‌ای عصبی را معرفی کرد. درنزر و همکاران گزارش دادند که مدل انتخاب متغیرهای مبتنی بر جستجوی ممنوعه می‌تواند در مقایسه با مدل امتیاز Z آلتمان تا 10 درصد سبب افزایش قابلیت پیش‌بینی ورشکستگی شرکت شود. هرچند که اکثر محققان این جریان تحقیقاتی مانند چو، میز و همکاران متوجه اثرگذاری انتخاب متغیرهای ورودی بر صدها متغیر مالی و عملکرد مدل شدند، اما فقط زیرمجموعه‌ای بسیار کوچکی از متغیرهای تحت هدایت پژوهش‌های قبلی در حوزه‌ی مجموعه داده‌های پژوهش تجربی را بررسی کردند بی‌آنکه از مجموعه داده‌های اصلی‌ای که نمونه‌ی آموزش و مدل آزمون از آن بازیابی شده است بهره‌ی درستی ببرند. چند مورد از پژوهش‌های پیشین انجام شده در حوزه‌ی پیش‌بینی درماندگی مالی عملکرد انتخاب ویژگی‌ها را با دانش محیط کاربرد و داده‌کاوی مقایسه می‌کنند و در کنار آن تفاوت زیرمجموعه‌ی ویژگی یافت شده توسط دانش محیط کاربرد و داده‌کاوی را بررسی می‌کنند. این پژوهش نقش دوچندانی در تحقیقات انجام شده در این حوزه دارد. نخست اینکه عملکرد روش‌های انتخاب ویژگی مبتنی بر دانش محیط کاربرد و داده‌کاوی را در پیش‌بینی درماندگی مالی در مجموعه داده‌هایی با بیش از سیصد متغیر مقایسه می‌کند. نتایج تجربی نشان می‌دهند که ویژگی‌های انتخاب شده توسط روش‌های داده‌کاوی می‌تواند عملکردی مشابه با روش دانش محیط کاربرد متخصصان حوزه‌ی مالی و حسابداری داشته باشد. دوم اینکه به منظور بهره‌گیری درست از دانش حرفه‌ای متخصصان و قابلیت استخراج قدرتمند روش‌های داده‌کاوی ترکیب روش‌های انتخاب ویژگی مبتنی بر دانش محیط کاربرد و داده‌کاوی را مدنظر قرار می‌دهد. نتیاج تجربی نشان می‌دهند که عملکرد روش ترکیبی می‌تواند از روش انتخاب ویژگی خاص دانش محیط کاربرد و داده‌کاوی بهتر باشد. خلاصه‌ی این پژوهش به شرح زیر است. بخش 2 روش‌های مهم انتخاب زیرمجموعه‌ی ویژگی با استفاده از دانش محیط کاربرد و داده‌کاوی را برای پیش‌بینی درماندگی مالی معرفی می‌کند. بخش 3 نتایج تجربی را گزارش می‌کند و بخش 4 نتیجه‌گیری این پژوهش است.
پیش نمایش مقاله
پیش نمایش مقاله عملکرد مدل‌های پیش‌بینی درماندگی مالی شرکت‌ها با قابلیت انتخاب ویژگی با استفاده از روش‌های دانش محیط کاربرد و داده‌کاوی

چکیده انگلیسی

Experts in finance and accounting select feature subset for corporate financial distress prediction according to their professional understanding of the characteristics of the features, while researchers in data mining often believe that data alone can tell everything and they use various mining techniques to search the feature subset without considering the financial and accounting meanings of the features. This paper investigates the performance of different financial distress prediction models with features selection approaches based on domain knowledge or data mining techniques. The empirical results show that there is no significant difference between the best classification performance of models with features selection guided by data mining techniques and that by domain knowledge. However, the combination of domain knowledge and genetic algorithm based features selection method can outperform unique domain knowledge and unique data mining based features selection method on AUC performance.

دانلود فوری مقاله + ترجمه آماده
پس از پرداخت، فوراً می توانید مقاله را دانلود فرمایید.