عنوان پایان‌نامه
کاربردروش ترکیبی ماشین بردار پشتیبان و روش انتخاب ویژگی پیشرو در پیش بینی درماندگی مالی شرکت های پذیرفته شده در بورس اوراق بها دار تهران
- رشته تحصیلی
- مهندسی مالی
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 71769
- تاریخ دفاع
- ۲۸ شهریور ۱۳۹۴
- دانشجو
- عیسی نوروزی یان لکوان
- استاد راهنما
- سعید فلاح پور
- چکیده
- پیش¬بینی درماندگی مالی شرکت¬ها هم اکنون یکی از مهمترین مسائل تحقیقاتی در حوزه مدیریت ریسک است که همواره مورد توجه بانک¬ها، شرکت¬ها، مدیران و سرمایه¬گذاران بوده است. اگرچه تاکنون تحقیقات بسیاری در این زمینه صورت گرفته است، ولی استفاده از مدل¬های¬ ترکیب شده¬ی انتخاب ویژگی و مدل طبقه¬بندی¬کننده از مسائلی می¬باشد که فقط در سال¬های اخیر توجه پژوهشگران را به خود جلب کرده است. هدف اصلی این پژوهش ارائه یک مدل پیش¬بینی¬ کننده با عملکرد بالا و مقایسه¬ نتایج حاصل شده¬ آن با دیگر مدل-های رایج در پیش¬بینی درماندگی مالی می¬باشد. به همین منظور از روش¬های انتخاب ویژگی پی در پی پیشرو شناور که مدل تعمیم یافته¬ روش انتخاب ویژگی پیشرو پی در پی است و جزو روش¬های پوشش¬دهنده می¬باشد، در ترکیب با ماشین بردار پشتیبان استفاده شد. این مدل¬ها از نوع مدل¬های ترکیبی انتخاب ویژگی و طبقه¬بندی¬ کننده می¬باشند. همچنین از مدل رگرسیون لجستیک که یکی از مدل¬های آماری طبقه¬بندی است نیز استفاده شده است. نتایج بدست آمده نشان می¬دهد که روش ترکیبی انتخاب ویژگی پی در پی پیشرو شناور و ماشین بردار پشتیبان از عملکرد بالاتری نسبت به مدل رگرسیون لجستیک برخوردار است.
- Abstract
- At now financial distress prediction is one of the great important research issues in the field of risk management that has always been interesting to banks, companies, corporations, executives and investors. Although extensive research has been conducted in this regard, applications of combined feature selection models and classifier models are subject matters addressed by researchers only in recent years. The main objective of this study is to develop a high performance predictive model and compare the results with other commonly used models in financial distress prediction. To meet this aim, sequential floating forward selection algorithm, known as the generalized format of sequential forward selection method, has been combined with support vector machine technique. These models belong to combined models of feature selection and classifier. Moreover, Logistic regression model as a statistical classification model has been deployed. Results show that the method of combination of sequential floating forward selection and support vector machine has higher performance than the other two models used.
