مقايسه مدل تحليل تمايزي چندگانه با مدل شبكه هاي عصبي در پيش بيني ورشكستگي شركت هاي پذيرفته شده در بازار بورس اوراق بهادار تهران

Compared with Multiple Discriminate Analysis Model and neural network Models in Predicting Bankruptcy of the listed Companies in Tehran Stock Exchange

پژوهش حاضر به مطالعه ي پيش بيني ورشكستگي مالي شركت هاي پذيرفته شده در بورس اوراق بهادار تهران به وسيله ي شبكه هاي عصبي مصنوعي مي پردازد. بهترين نسبت هاي مالي پيش بين در پژوهش هاي صورت گرفته در پيشينه موضوع به عنوان ورودي شبكه هاي عصبي انتخاب شده اند. شبكه ي عصبي به كار گرفته شده در اين پژوهش از نوع پرسپترون چند لايه مي باشد كه به روش الگوريتم پس انتشار خطا آموزش ديده اند، و شامل شبكه عصبي پيشخور سه لايه با تركيب (5:18:2) در آرايش نرون هاست. نمونه هاي انتخاب شده در برازش الگو شامل يك گروه 54 عضوي از شركت هاي ورشكسته ويك گروه 64 عضوي از شركت هاي غيرورشكسته بورس اوراق بهادار تهران است كه گروه ورشكسته بر مبناي مشموليت ماده 141 قانون تجارت طي سال هاي 1381 تا 1389و گروه غيرورشكسته وبراساس روش نمونه گيري تصادفي از شركت هاي توليدي پديرفته شده در بورس اوراق بهادار تهران طي دوره زماني تحقيق انتخاب شده اند. از مدل تحليل تمايزي چندگانه به منظور مقايسه ي دقت پيش بيني مدل شبكه هاي عصبي استفاده شده است. ملاك صحت پيش بيني مدل ها سطح زير منحني ROC مي باشد.

The main purpose of this paper is prediction of corporate financial bankruptcy using Artificial Neural Networks 1380-1389. The mean values of key ratios reported in past bankruptcy studies were selected for neural network inputs (Working capital to total assets, Net income to total assets, Total debt to total assets, Curent assets to current liabilities, Quick assets to current liabilities). The neural network used in this research is Multilayer Perceptron (MLP) that trained with backpropagation algorithm, and contained three-layer feedforward neural network with 5,18,2 number of neurons in input, hidden and output layer respectively. The samples of this research consist of bankrupt and non-bankrupt groups. Bankruptcy group was Manufacturing Corporations that were included Article 141 of Mercantile law within 1380-1389 and non-bankruptcy group selected by random sampling. The data is analysed using a more traditional method of bankruptcy prediction, multivariate discriminant analysis. A comparison of the predictive abilities of both the neural network and the discriminant analysis method is presented. Also, accuracy prediction of neural network is presented by ROC curve.