شبكه هاي عصبي شعاعي آموزش يافته بر پايه متغيرهاي مدل‌هاي آماري و مقايسه آن‌ها در پيش بيني ورشكستگي

Trained Radial Neural Networks Based on Variables ofStatistical Models and Their Comparison in Bankruptcy Prediction

امروزه شبكه هاي عصبي مصنوعي جايگاه ويژه اي در حيطه مالي پيدا كرده است. پژوهش حاضر به دنبال يافتن روش بهتر براي ساخت و آموزش شبكه هاي عصبي مصنوعي است كه منجر به پيش بيني دقيق‌تر در موضوع ورشكستگي شود. در اين ميان سه شبكه عصبي از نوع توابع شعاع مدار ساخته شد كه به صورت جداگانه توسط متغيرهاي مدل آلتمن (1983)، اسمايوسكي (1984) و تركيبي آموزش داده شدند. پس از سنجش توانايي سه مدل در پيش بيني ورشكستگي با استفاده از آزمون دقيق فيشر و مك نمار، دقت آن‌ها مورد مقايسه قرار گرفته است. نمونه مورد آزمون شامل شركت‌هاي عضو بورس اوراق بهادار تهران در بين سال‌هاي 1383 تا 1390 مي‌باشد. يافته‌ها نشان مي‌دهند كه هر سه مدل توانايي پيش بيني ورشكستگي را دارند و از بين آن‌ها مدل آموزش يافته با متغيرهاي مدل آلتمن دقيق‌تر از دو مدل ديگر قادر به انجام اين امر است.

Nowadays artificial neural networks have found a special position among these methods. this study seeks to find a better method of building and training artificial neural networks which leads to more accurate predictions of bankruptcy. Meanwhile, three neural networks of radial basis function type were built and trained separately by Altman model (1983), Zmijewski model (1984) and combinatory models’ variables. After evaluating the ability of these three models of bankruptcy prediction, their accuracy has been compared. Generally, this study is based on these hypotheses: First, artificial neural network models can predict bankruptcy using Altman, Zmijewski, and combinatory variables. Second, Type I and Type II error rates are equal in the aforementioned artificial neural network models. Time span of 2004 to 2012 (eight years) has been used to select samples from the listed companies in Tehran Stock Exchange. Results show that all three models have the ability of predicting bankruptcy and the model trained with Altman Model’s variables is more accurate than the other two models in this regard.