پیش بینی درماندگی مالی شرکت‌ها با استفاده از مدل ترکیبی سیستم ایمنی مصنوعی و شبکه عصبی موجکی (هوش مصنوعی)

نویسندگان

    رضا مهرابی دانشجوی دکتری، گروه حسابداری، واحد بروجرد، دانشگاه آزاد اسلامی، بروجرد، ایران
    محمود همت فر * گروه حسابداری، واحد بروجرد، دانشگاه آزاد اسلامی، بروجرد، ایران dr.hematfar@yahoo.com
    فرید صفتی گروه حسابداری، واحد بروجرد، دانشگاه آزاد اسلامی، بروجرد، ایران
https://doi.org/10.61838/kman.jtesm.3.4.10

کلمات کلیدی:

درماندگی مالی, پیش‌بینی مالی, شبکه عصبی موجکی, سیستم ایمنی مصنوعی, رگرسیون لجستیک, الگوریتم ترکیبی

چکیده

پیش‌بینی درماندگی مالی شرکت‌ها یکی از چالش‌های اصلی در حوزه مدیریت مالی است. این پژوهش به بررسی کاربرد مدل‌های هوش مصنوعی در پیش‌بینی درماندگی مالی می‌پردازد. در این پژوهش از الگوریتم‌های مختلفی از جمله شبکه عصبی موجکی (WNN)، سیستم ایمنی مصنوعی (AIS)، رگرسیون لجستیک (LR) و یک الگوریتم ترکیبی از AIS و WNN استفاده شده است. این مطالعه با استفاده از داده‌های واقعی شرکت‌ها، دقت و کارایی این مدل‌ها را مقایسه می‌کند. نتایج نشان می‌دهند که الگوریتم ترکیبی توانایی بالاتری در پیش‌بینی درماندگی مالی دارد و می‌تواند به عنوان یک ابزار مفید برای تصمیم‌گیری‌های مالی مورد استفاده قرار گیرد. پیش‌بینی درماندگی مالی شرکت‌ها یکی از چالش‌های اصلی در حوزه مدیریت مالی است. این پژوهش به بررسی کاربرد مدل‌های هوش مصنوعی در پیش‌بینی درماندگی مالی می‌پردازد. در این پژوهش از الگوریتم‌های مختلفی از جمله شبکه عصبی موجکی (WNN)، سیستم ایمنی مصنوعی (AIS)، رگرسیون لجستیک (LR) و یک الگوریتم ترکیبی از AIS و WNN استفاده شده است. این مطالعه با استفاده از داده‌های واقعی شرکت‌ها، دقت و کارایی این مدل‌ها را مقایسه می‌کند. نتایج نشان می‌دهند که الگوریتم ترکیبی توانایی بالاتری در پیش‌بینی درماندگی مالی دارد و می‌تواند به عنوان یک ابزار مفید برای تصمیم‌گیری‌های مالی مورد استفاده قرار گیرد.

دانلودها

دسترسی به دانلود اطلاعات مقدور نیست.

مراجع

Abdolrazagh Nejad Majid, M., & Adibian, A. (2020). Dimension reduction of feature based on Rafe's theory using

football league competition algorithm. https://www.sid.ir/paper/409306/fa

Alavi, M., & Memarian, H. (2021). Auditor characteristics and the likelihood of bankruptcy. Experimental Accounting

Research, 11(2), 159-182. https://jera.alzahra.ac.ir/article_5568.html?lang=fa

Ali Akbarloo, A., Mansourfar, G., & Ghiyour, A. (2020). Comparison of criteria for detecting financially distressed

companies using logistic regression and artificial intelligence methods. Financial Management Outlook, 10(29),

-166. https://doi.org/10.52547/jfmp.10.29.147

Azizi, H. (2021). Modeling and determining the capability of working capital management in predicting corporate

bankruptcy using artificial intelligence algorithms. Securities Analysis Financial Knowledge, 14(51), 171-190.

https://journals.srbiau.ac.ir/article_19258.html

Baghbid, E., Jafari, A., & Salehnejad, S. H. (2021). Proposing a three-dimensional (financial, economic, sustainability)

combined model for predicting corporate financial distress. Research in Financial Accounting and Auditing, 13(51),

-132. https://journals.iau.ir/article_686544.html

Dong, X., Dang, B., Zang, H., Li, S., & Ma, D. (2024). The prediction trend of enterprise financial risk based on machine

learning arima model. Journal of Theory and Practice of Engineering Science, 4(01), 65-71.

https://www.centuryscipub.com/index.php/jtpes/article/view/430

Fereidoni, F., Darabi, R., & Anvari Rastami, A. (2020). Application of artificial intelligence algorithms in predicting

earnings smoothing. Research in Financial Accounting and Auditing, 12(45), 103-134.

https://ensani.ir/fa/article/479271/%DA%A9%D8%A7%D8%B1%D8%A8%D8%B1%D8%AF-

%D8%A7%D9%84%DA%AF%D9%88%D8%B1%DB%8C%D8%AA%D9%85-%D9%87%D9%88%D8%B4-

%D9%85%D8%B5%D9%86%D9%88%D8%B9%DB%8C-%D8%AF%D8%B1-%D9%BE%DB%8C%D8%B4-

%D8%A8%DB%8C%D9%86%DB%8C-

%D9%87%D9%85%D9%88%D8%A7%D8%B1%D8%B3%D8%A7%D8%B2%DB%8C-

%D8%B3%D9%88%D8%AF

Halteh, K., Alkhouri, R., Ziadat, S., & Haddad, F. (2024). Fintech Unicorns Forecaster: An AI Approach For Financial

Distress Prediction. Migration Letters, 21(S4), 942-954.

https://migrationletters.com/index.php/ml/article/download/7379/4801/19544

Haroonkalaei, K., & Barzegar, A. (2023). Explanation of financial variables affecting the prediction of financial recovery:

An artificial intelligence approach. Economic Modeling Scientific Journal, 17(61).

https://journals.iau.ir/article_703693.html

Qatabi, M., Khodadadi, V., Jerjerzadeh, & Kaab Omir, A. (2020). Modeling bankruptcy prediction using earnings

management variables. Economic Modeling, 14(50), 131-152.

https://ensani.ir/fa/article/439378/%D9%85%D8%AF%D9%84-%D8%B3%D8%A7%D8%B2%DB%8C-

%D9%BE%DB%8C%D8%B4-%D8%A8%DB%8C%D9%86%DB%8C-

%D9%88%D8%B1%D8%B4%DA%A9%D8%B3%D8%AA%DA%AF%DB%8C-%D8%A8%D8%A7-

%D8%A7%D8%B3%D8%AA%D9%81%D8%A7%D8%AF%D9%87-%D8%A7%D8%B2-

%D9%85%D8%AA%D8%BA%DB%8C%D8%B1%D9%87%D8%A7%DB%8C-

%D9%85%D8%AF%DB%8C%D8%B1%DB%8C%D8%AA-%D8%B3%D9%88%D8%AF

Sadeghi, H., & Zolfaghari, M. (2010). Short-term prediction of national electricity demand using neural networks and

wavelet transform. https://civilica.com/doc/1821120/

Sheikhivand Subhan, S., & Qayemi Saharaneh, S. (2019). Automatic identification of sleep stages from single-channel

EEG signals using discrete wavelet transform and a combined model of ant colony algorithm and RUSBoost-based

neural network classifier. https://www.ijbme.org/article_36377.html

Song, Y., Jiang, M., Li, S., & Zhao, S. (2024). Class‐imbalanced financial distress prediction with machine learning:

Incorporating financial, management, textual, and social responsibility features into index system. Journal of

Forecasting, 43(3), 593-614. https://doi.org/10.1002/for.3050

Soydas, S. S., & Handan, C. A. M. (2024). Predicting Financial Failure in Companies by Employing Machine Learning

Methods. International Journal of Social Science Research and Review, 7(2), 111-125.

https://ijssrr.com/journal/article/view/1827

Vali Zadeh Larijani, A., & Bani Mahd, M. (2022). Financial statement items, life cycle, and corporate bankruptcy.

Experimental Accounting Research, 12(2), 91-110. https://jera.alzahra.ac.ir/article_6376.html

چاپ شده

۱۴۰۳/۰۸/۱۵

ارسال

۱۴۰۳/۱۱/۰۱

بازنگری

۱۴۰۳/۱۱/۲۵

پذیرش

۱۴۰۳/۱۲/۱۱

شماره

نوع مقاله

پژوهشی اصیل

ارجاع به مقاله

مهرابی ر. .، همت فر م. .، و صفتی ف. . (1403). پیش بینی درماندگی مالی شرکت‌ها با استفاده از مدل ترکیبی سیستم ایمنی مصنوعی و شبکه عصبی موجکی (هوش مصنوعی). تکنولوژی در کارآفرینی و مدیریت استراتژیک، 3(4)، 151-171. https://doi.org/10.61838/kman.jtesm.3.4.10

مقالات مشابه

1-10 از 119

همچنین برای این مقاله می‌توانید شروع جستجوی پیشرفته مقالات مشابه.