توانايي ماشين بردار پشتيبان در پيش بيني درماندگي مالي

The Ability of Support Vector Machine (SVM) in Financial Distress Prediction

درماندگی مالی پیش از ورشكستگی مالی رخ می‌دهد و پیش بینی موثر آن یك مسئله‌ی مهم و چالش برانگیز برای شركت‌ها می‌باشد. تحقیق حاضر به پیش بینی درماندگی مالی در قالب مدل ماشین بردار پشتیبان و با استفاده از تركیبات جریان نقد می‌پردازد. اهمیت ابزارهای داده كاوی، و توانایی این ابزارها در پیش بینی و طبقه بندی متغیرها، استفاده از آن‌ها را در مباحث مختلف مالی از جمله پیش بینی ورشكستگی، پیش بینی درماندگی مالی، كشف تقلب مدیریت، برآورد ریسك اعتباری و پیش بینی عملكرد شركت، گسترش داده است. دراین مطالعه، تركیبات جریان نقد شركت‌های انتخاب شده برمبنای معیارهای اختصاصی درماندگی به عنوان متغیرهای ورودی مدل به كار گرفته شده است. یافته‌های تحقیق حاكی از آن است از میان توابع كرنلی، تابع چند جمله‌ای در سال درماندگی، یك و دو سال قبل از آن دارای بالاترین قدرت پیش بینی است. 

Predicting financial distress, which normally happens before bankruptcy, is a challenging phenomenon and a crucial issue in all firms. The importance of data mining tools is well recognized, such that nowadays they are widely used in different financial issues such as, prediction of bankruptcy, financial distress, companyʹs performance prediction, management fraud discovery and credit risk assessment. Using support vector machine and combinations of cash flow components, this research attempts to predict financial distress of companies. Combinations of cash flows, as input variables (data) of the model, are selected based on specific criteria of financial distress. Results reveal that among Kernel functions of the model, polynomial function has the most power of prediction in year of financial distress or one and two years prior to year of distress.