قدرت شبكه عصبي پيچشي در پيش‌بيني درماندگي مالي

در اين پژوهش ضمن نگاه بر سير تكامل ادبيات پيش‌بيني درماندگي مالي، به ارائه يك مدل يادگيري عميق پرداخته شده است. در اين روش به شكلي مراحلي كه روش‌هاي پيشين براي پيش‌بيني درماندگي طي ‌كرده‌اند،  كوتاه‌تر و خودكارتر شده است. در نهايت، به مقايسه دقت پيش‌بيني مدل توسعه داده شده با مدل‌هاي پيشين در اين حوزه پرداخته شده است. در اين پژوهش يك شبكه عصبي پيچشي به‌عنوان يك مدل يادگيري عميق كه داده‌هاي 14 متغير مرتبط با پيش‌بيني درماندگي مالي را در طول 3 سال متوالي واكاوي مي‌كند، براي پيش‌بيني درماندگي مالي مورداستفاده قرار گرفته است.بدر اين راستا، به‌منظور جلوگيري از خطاهاي احتمالي تعميم‌پذيري، از روش K-fold براي نمونه‌گيري فرعي استفاده شده است كه داده‌هاي 300 نمونه را مورد بررسي قرار مي‌دهد. در نهايت، با استفاده از آزمون ناپارامتريك Wilcoxon به بررسي معني‌دار بودن اختلاف دقت پيش‌بيني ارائه شده ميان مدل توسعه داده شده و مدل‌هاي پيشين پرداخته شده است. نتايج اين پژوهش نشان مي‌دهد مدل شبكه عصبي پيچشي به شكل معني‌داري در سطح اطمينان 95 درصد مدل‌هاي پيش‌بيني درماندگي سابق از جمله رگرسيون لجستيك و ماشين بردار پشتيبان را در دقت پيش‌بيني شكست مي‌دهد.