مقايسه روش هاي مختلف انتخاب متغيرهاي پيش بين براي پيش بيني بحران مالي شركت هاي پذيرفته شده در بورس اوراق بهادار تهران

Comparing Different Feature Selection Methods in Financial Distress Prediction of the Firms Listed in Tehran Stock Exchange

در پژوهش ­هاي انجام شده در زمينه پيش­ بيني بحران مالي و ورشكستگي، هدف و تأكيد اصلي، ارائه مدل­ هاي مناسب و دقيق براي پيش­ بيني ورشكستگي بوده و كمتر به انتخاب متغيرهاي پيش­ بين و روش­ هاي مناسب آن پرداخته شده است. بنابراين، پژوهش حاضر به بررسي و مقايسه سودمندي روش ­هاي مختلف انتخاب متغيرهاي پيش­ بين درپيش­ بيني بحران مالي شركت‌هاي پذيرفته شده در بورس اوراق بهادار تهران مي­ پردازد. در اين راستا، عملكرد روش­ هاي انتخاب متغير، شامل آزمون t، تحليل مميزي گام به گام، تحليل عاملي، ريليف، مبتني بر روكشي و مبتني بر بردارهاي پشتيبان، بررسي و با هم مقايسه مي ­شود. طبقه­ بندي­ كننده­ هاي استفاده شده نيز شامل شبكه­ هاي عصبي مصنوعي، ماشين بردار پشتيبان و آدابوست (بوستينگ) مي­باشد. به طور كلي، يافته ­هاي پژوهش حاكي از سودمندي استفاده از روش­ هاي انتخاب متغير نسبت به عدم استفاده از اين روش ­ها در پيش­ بيني بحران مالي و همچنين وجود تفاوت معنادار بين ميزان سودمندي اين روش‌هاست. به عبارت ديگر، در صورت استفاده از روش­هاي انتخاب متغيرهاي پيش­ بين، ميانگين دقت افزايش و خطاي نوع اول و دوم كاهش مي­ يابد. افزون بر اين، يافته­ هاي پژوهش حاكي از برتري روش­ انتخاب متغير مبتني بر روكشي نسبت به ساير روش‌هاي انتخاب متغيرهاي پيش ­بين است.

Research in financial distress and bankruptcy emphasize the design of more sophisticated classifiers, and less feature (variables) selection and their appropriate methods. In this regard, the purpose of this study is to compare performance of different feature selection methods in financial distress prediction of the companies listed on Tehran Stock Exchange (TSE). In this regard, we investigated and compared five feature selection methods, including t-test, stepwise regression, factor analysis, relief, wrapper subset selection and RFE-SVM feature selection. To obtain comparable experimental results (reliable comparison), three different classifiers (including neural networks, support vector machine and AdaBoost) were used in this study. In overall, the experimental results confirmed the usefulness of variable selection methods and significant difference among level (amount) of different methods performance. In other words, the application of the feature selection methods increases the mean of accuracy, and reduces the occurrence of type I and type II errors. Furthermore, the results indicated that wrapper subset selection method outperforms the other feature selection methods.