استفاده از روش تركيبي انتخاب ويژگي پي در پي پيشرو شناور و ماشين بردار پشتيبان در پيش بيني درماندگي مالي شركتهاي پذيرفته شده در بورس اوراق بهادار تهران

Applying Combined Approach of Sequential Floating Forward Selection and Support Vector Machine to Predict Financial Distress of Listed Companies in Tehran Stock Exchange Market

هدف: پيشبيني درماندگي مالي شركتها، يكي از مهمترين مسائل تحقيقاتي در حوزه مديريت ريسك بوده و همواره در كانون توجه بانكها، شركتها، مديران و سرمايهگذاران قرار داشته است. هدف اصلي اين پژوهش ارائه يك مدل پيشبيني كننده با عملكرد بالا و مقايسه نتايج بهدست آمده از آن با ساير مدلهاي رايج در پيشبيني درماندگي مالي است.روش: به همين منظور از روشهاي انتخاب ويژگي پيدرپي پيشرو شناور كه مدل تعميميافته روش انتخاب ويژگي پيشرو پيدرپي بوده و از دسته روشهاي پوششدهنده است و روش انتخاب ويژگي پيشرو پيدرپي در تركيب با ماشين بردار پشتيبان استفاده شد. اين مدلها از نوع مدلهاي تركيبي انتخاب ويژگي و طبقهبندي كننده هستند. همچنين در اين پژوهش از مدل رگرسيون لجستيك كه يكي از مدلهاي آماري طبقهبندي است نيز استفاده شده است.يافتهها: پس از بررسي نسبتهاي مالي مهم در نهايت 29 نسبت مالي كه در تحقيقات گذشته بيشتر استفاده شده بودند، انتخاب گرديند. آزمون مقايسات زوجي نشان مي‌دهد كه دقت مدل پيشنهادي اين پژوهش با سطح اطمينان 95 درصد بهتر از ديگر مدل‌هاي استفاده شده در اين پژوهش مي‌باشد.نتيجهگيري: نتايج نشان داد كه مدل پيشنهادي اين تحقيق در يك سال، دو سال و سه سال قبل از درماندگي مالي به طور معناداري از عملكرد بهتري در پيش‌بيني درماندگي مالي نسبت به روش انتخاب ويژگي پيشرو پي درپي و مدل رگرسيون لجستيك برخوردار است.

Objective: Nowadays, financial distress prediction is one of the most important research issues in the field of risk management that has always been interesting to banks, companies, corporations, managers and investors. The main objective of this study is to develop a high performance predictive model and to compare the results with other commonly used models in financial distress prediction Methods: For this purpose, sequential floating forward selection that is considered as the generalized form of sequential forward selection method and as one of the wrapper methods, and sequential forward selection method in combination with support vector machine were used. These models are combined models of feature selection and classifier. Logistic regression model which is a statistical classification models, has also been used in the present study. Results: After reviewing the important financial ratios, 29 financial ratios that were mostly used in previous researches were chosen. Paired T-test results showed that with a 95% confidence level. The proposed model provides higher accuracy than other models used in this study. Conclusion: Results showed that the proposed model of this research has significantly better performance in predicting financial distress than the sequential forward selection method and Logistic regression model in one year, two years and three years before financial distress.