عنوان پایان‌نامه
بررسی پیش بینی ورشکستگی مالی شرکتها با استفاده از مدل شبکه های عصبی مصنوعی در بورس اوراق بهادار تهران
- رشته تحصیلی
- حسابداری
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 45482
- تاریخ دفاع
- ۳۱ شهریور ۱۳۸۸
- دانشجو
- مریم شریفی
- استاد راهنما
- محمدرضا نیکبخت
- چکیده
- پژوهش حاضر به مطالعه¬ی پیش¬بینی ورشکستگی مالی شرکتها در بورس اوراق بهادار تهران به¬وسیله¬ی شبکه¬های عصبی مصنوعی می پردازد. بهترین نسبت ¬های مالی پیش¬بین در پژوهش های صورت گرفته در پیشینه موضوع به عنوان ورودی شبکه¬های عصبی انتخاب شده اند. شبکه¬ی عصبی به کار گرفته شده در این پژوهش از نوع پرسپترون چند لایه می باشد که به روش الگوریتم پس انتشار خطا آموزش دیده اند، و شامل شبکه عصبی پیش¬خور سه لایه با ترکیب (5:4:1) در آرایش نرون هاست. نمونه¬های انتخاب شده در برازش الگو شامل دو گروه 58 عضوی از شرکت¬¬های ورشکسته و غیر¬ورشکسته بورس اوراق بهادار تهران است که گروه ورشکسته بر مبنای مشمولیت ماده 141 قانون تجارت طی سالهای 1378 تا 1385 و گروه غیرورشکسته به همان تعداد شرکت¬های ورشکسته و براساس روش نمونه¬گیری تصادفی از شرکت¬های تولیدی پدیرفته شده در بورس اوراق بهادار تهران طی دوره زمانی تحقیق انتخاب شده اند. از مدل تحلیل تمایزی چندگانه به منظور مقایسه¬ی دقت پیش¬بینی مدل شبکه¬های عصبی استفاده شده است. ملاک صحت پیش¬بینی مدل ها سطح زیر منحنی ROC می باشد. نتایج حاصل از آزمون فرضیات با استفاده از آزمون t زوجی، حکایت از تفاوت معنی دار دقت پیش¬بینی دو مدل مقایسه¬ای انتخاب شده در سطح معنی¬داری 5% داشت، به علاوه خطای نوع اول پیش¬بینی نسبت به خطای نوع دوم در مدل ارائه شده شبکه¬ی عصبی پایین تر بود که با توجه به موضوع پژوهش کم بودن خطای نوع اول بر خطای نوع دوم پیش¬بینی اولویت دارد.
- Abstract
- The main purpose of this paper is prediction of TSE corporate financial bankruptcy using Artificial Neural Networks from 1378-1385. The mean values of key ratios reported in past bankruptcy studies were selected for neural network inputs (Working capital to total assets, Net income to total assets, Total debt to total assets, Current assets to current liabilities, Quick assets to current liabilities). The neural network used in this research is Multilayer Perceptron (MLP) that trained with backpropagation algorithm, and contained three-layer feedforward neural network with 5,4,1 number of neurons in input, hidden and output layer respectively. The samples of this research consist of bankrupt and non-bankrupt groups. Bankruptcy group was Manufacturing Corporations that were included Article 141 of Mercantile law within 1378-1385 and non-bankruptcy group selected by random sampling. The same set of data is analyzed using a more traditional method of bankruptcy prediction, multivariate discriminant analysis. A comparison of the predictive abilities of both the neural network and the discriminant analysis method is presented. Also, accuracy prediction of neural network is presented by ROC curve. The results show significant difference between MDA and ANN, and neural networks might be applicable to this problem. Also, the results present lower error type 1 to error type 2.
