عنوان پایان‌نامه
مدلسازی پیش بینی ورشکستگی با استفاده از هیبرید استدلال بر مبنای مورد cbr و روش الگوریتم ژنتیک
- رشته تحصیلی
- مدیریت مالی
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 51364
- تاریخ دفاع
- ۱۳ مهر ۱۳۹۰
- دانشجو
- عباس محمدی متین
- چکیده
- یکی از مهمترین موضوعات پژوهش در مالی، ساختن مدل¬های موثر پیش¬بینی ورشکستگی است. زیرا این مدل¬ها برای مدیریت ریسک نهاد¬های مالی ضرورری¬اند. پژوهشگران برای بالا بردن عملکرد پیش¬بینی، روش¬های مبتنیبردادهمتنوعیراازجملهتکنیک¬هایآماریوهوشمصنوعیبکاربرده¬اندومفیدبودنخیلیازاینروشهاثابتشدهاست. استدلال مبتنی بر مورد (CBR) یکی از مشهورترین روش¬های مبتنی بر داده است. زیرا بکارگیری آن ساده است، امکان بیش¬برازشی وجود ندارد و برای خروجی مدل توضیح مناسبی ارایه می¬نماید. با این حال، این روش یک عیب اساسی دارد_ عملکرد پیش¬بینی آن عموما ضعیف است. در این پژوهش، یک روش جدید برای بالا بردن عملکرد پیش¬بینی CBRارایه شده است و آن، بهینه سازی وزن¬دهی مشخصه¬ها برای CBR با استفاده از الگوریتم ژنتیک است. نتایج پژوهش، نشان می¬دهد که هیبرید استدلال مبتنی بر مورد و الگوریتم ژنتیک نه تنها بکارگیری آن ساده¬تر است، بلکه عملکرد بهتری نسبت به شبکه¬های عصبی مصنوعی در پیش¬بینی ورشکستگی شرکت¬ها دارد.
- Abstract
- One of the most important research issues in finance is building effective corporate bankruptcy prediction models because they are essential for the risk management of financial institutions. Researchers have applied various data-driven approaches to enhance prediction performance including statistical and artificial intelligence techniques, and many of them have been proved to be useful. Case-based reasoning (CBR) is one of the most popular data-driven approaches because it is easy to apply, has no possibility of overfitting, and provides good explanation for the output. However, it has a critical limitation—its prediction performance is generally low. In this study, a novel approach to enhance the prediction performance of CBR has been suggested and it is optimization of feature weighting for CBR by using genetic algorithms (GAs). The results of study show that the hybrid case-based reasoning and genetic algorithms, not only has more simplicity in applying it, but also has better performance rather than neural networks (NNs) in predicting corporates bankruptcy.
