كاربرد XGBoost براي پيش‌بيني درماندگي مالي شركت‌ هاي پذيرفته شده در فرابورس و بورس اوراق بهادار تهران

هدف اين مقاله، پيش‌بيني درماندگي مالي بالقوه شركت‌هاي پذيرفته شده در فرابورس و بورس اوراق بهادار است. بدين منظور، دامنه گسترده‌اي از ويژگي‌ها از جمله متغيرهاي حسابداري تعهدي، حسابداري نقدي، بازار سهام، مكانيسم‌هاي حاكميت شركتي و شاخص‌هاي اقتصاد كلان براي پيش‌بيني درماندگي مالي شركت‌هاي نمونه شناسايي شده‌اند. نمونه نهايي شامل 421 شركت و در نتيجه، 3670 شركت سال مشاهده است. سپس، داده آماده شده با استفاده از نسبت 70 به 30 به مجموعه داده آموزشي و آزمايشي تفكيك شد. در اين پژوهش، تكينك‌هاي پيش‌ پردازش داده يادگيري ماشين نظير استانداردسازي نمره Z، وان هات انكدينگ، اعتبارسنجي متقابل K لايه طبقه‌اي، همراه با مهندسي ويژگي براي بهبود عملكرد طبقه‌بندي كننده بكار گرفته شدند. روش اعتبارسنجي متقابل K لايه طبقه‌اي با (5=K) براي برآورد عملكرد پيش‌بيني مدل طي مرحله آموزش استفاده شد. طي مرحله آموزش، ميزان‌سازي اَبرپارامتر مدل با استفاده از جستجوي شبكه‌اي انجام شد. افزون بر اين، تكنيك SMOTE همراه با معيار مختص مسائل نامتوازن يعني نمره F1 براي غلبه بر مسأله نامتوازني افراطي كلاس‎ها استفاده شده است.بر اساس نتايج تجربي، مدل XGBoost به نمرهF1، ضريب همبستگي متيوز، فراخواني و دقتي به ترتيب برابر با 90%، 90%، 100% و 82% بر روي مجموعه آموزشي دست يافت. سرانجام، مدل پيشنهادي بر روي مجموعه آزمايشي كنار گذاشته شده آزمون شد كه به نمرهF1، ضريب همبستگي متيوز، فراخواني و دقتي به ترتيب برابر با 52%، 52%، 73% و 41% بر روي مجموعه آزمايشي منجر شد. اين اطلاعات، ابزار قدرتمندي براي پيش بيني درماندگي مالي شركت ها  فراهم مي كنند.