عنوان پایان‌نامه
پیش بینی ورشکستگی شرکتهای پذیرفته شده در بورس اوراق بهادار تهران با استفاده از سامانه خبره تلفیقی
- رشته تحصیلی
- علوم اقتصادی
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه دانشکده اقتصاد شماره ثبت: 1256;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 46223
- تاریخ دفاع
- ۱۱ آبان ۱۳۸۹
- دانشجو
- غزاله حبشی حسینی نژاد
- استاد راهنما
- حمید ابریشمی
- چکیده
- در این تحقیق به پیش بینی ورشکستگی شرکت ها با استفاده از سامانه خبره تلفیقی پرداخته شده است. عوامل موثر بر ورشکستگی و میزان تأثیر آنها تحت عنوان قواعدی درسامانه مبتنی بر پایگاه قواعد ذخیره شده و به همراه نسبت های مالی شرکت ها به عنوان ورودی شبکه عصبی GMDH در نظر گرفته شد. تاثیر هر یک از این عوامل بر روی نسبت (سرمایه/ سود یا زیان انباشته) بررسی شد تا تاثیر شوک های برونزا بر روی ورشکستگی مشخص شود. به این ترتیب نرخ تغییر این متغیر به همراه چهار نسبت مالی ذکر شده، به عنوان ورودی های شبکه عصبی GMDH لحاظ گردید. نسبت های مالی به کار گرفته شده در این تحقیق عبارتند از: نسبت جاری، حاشیه سود ناخالص، نسبت سود خالص به بدهی جاری و بازده مجموع دارائی ها. نتایج به دست آمده با پیش بینی های حاصله از شبکه های عصبی مصنوعی مقایسه گردید. این پیش بینی¬ها برای سال ورشکستگی، برای یک سال و دو سال قبل از وقوع آن انجام گرفت. همچنین برای میانگینی از این 3 سال نیز پیش بینی صورت گرفت. در هر مورد مقایسه نتایج استخراجی حاصل از سامانه نشان داد که این روش به صورت معنی داری دقت شبکه عصبی را در پیش بینی بالا می برد. به خصوص در سال های 84 و 85 که به خاطر اجرای سیاست های شفاف سازی آمار شرکت های ورشکسته بالا بود، این تفاوت معنی دار تر بود. به این ترتیب تمامی فرضیه های تحقیق، مبنی بر بالاتر بودن دقت سامانه خبره از شبکه عصبی در پیش بینی ورشکستگی شرکت ها تأیید شد.
- Abstract
- In this thesis, bankruptcy of companies is predicted using the Hybrid Expert System approach. Factors effecting bankruptcy and extent of their impact are saved as rules in a Rule-Based Expert System, and together with financial ratios are considered as inputs in the GMDH neural networks. The impact of each of these factors on the accumulated profit or loss to capital ratio is evaluated in order to isolate the impact of external shocks on bankruptcy. The rate of change of this variable plus the following four financial ratios: Current Ratio, Gross Profit Margin Ratio, Net Profit to Current Debt Ratio and Return of Assets are used as inputs in the GMDH neural networks. The resulting predictions are compared with those of artificial neural networks for the year of bankruptcy, the preceding year, two years earlier and the average of these three years. In all of these cases, the HES approach produce better fits than those produced by neural networks. The differences were more marked for 1384 and 1385 when there were large number of corporate bankruptcies. Hence the hypothesis of higher accuracy of Expert System compared to neural networks in predicting bankruptcies is confirmed. Key words: Bankruptcy prediction, financial ratios, neural networks, GMDH, Hybrid Expert System, Genetic Algorithm.
