مقايسه قدرت پيش‌بيني بحران مالي توسط تكنيك‌هاي مختلف هوش مصنوعي

The Comparison of Financial Crisis Prediction Strength of Different Artificial Intelligence Techniques

امروزه پيشرفت سريع فن‌آوري و تغييرات محيطي وسيع، منجر به رقابت روزافزون شده و دستيابي به سود را محدود و احتمال دچار شدن به بحران مالي را افزايش داده است. هدف اين تحقيق بررسي قدرت پيش‌بيني بحران مالي توسط تكنيك‌هاي مختلف هوش مصنوعي(الگوريتم ژنتيك خطي و غير خطي و شبكه عصبي) است. بر اساس اطلاعات و آمارهاي در دسترس شركت‌هاي پذيرفته شده در بورس اوراق بهادار تهران در طي دوره 1389-1376، از بين شركت‌هاي مشمول ماده 141 قانون تجارت، 72 شركت و از بين بقيه شركت‌ها نيز 72 شركت انتخاب شد. نتايج آزمون مك‌نمار براي تكنيك‌هاي الگوريتم ژنتيك غيرخطي و شبكه عصبي نشان مي‌دهد كه تفاوت معني‌داري بين نتايج الگوريتم ژنتيك خطي و غيرخطي با شبكه عصبي وجود ندارد. اگر چه دقت پيش‌بيني الگوريتم ژنتيك غيرخطي(90 درصد) و الگوريتم ژنتيك خطي(80 درصد) بيشتر از شبكه عصبي(70 درصد) است ولي اين تفاوت از لحاظ آماري معني‌دار نيست.

Rapid technological advances and vast environmental changes, leading to increasing competition and limit access to benefits and likely to suffer from financial crisis has increased. Purpose of this study is investigating financial crisis prediction strength of different artificial intelligence techniques(linear and nonlinear genetic algorithm and neural network). Based on available information and statistics, of all companies listed in Tehran Stock Exchange, 72 companies have been subject to Article 141 trade law and 72 companies have not been subject to this Article was elected. Results of Mc-Nemar test for genetic algorithms techniques and neural network showed that there are not significant differences between linear and nonlinear genetic algorithms with neural network. Although the predictive accuracy of nonlinear genetic algorithm(90%) and linear genetic algorithms(80%) is more than of the neural network(70%) but this difference is not statistically significant.