شبکه های عصبی شعاعی آموزش یافته بر پایه متغیرهای مدل های آماری و مقایسه آن ها در پیش بینی ورشکستگی

Authors

علیرضا مهرآذین

استادیار گروه حسابداری، دانشگاه آزاد اسلامی، واحد نیشابور احمد زنده دل

استادیار گروه آمار، دانشگاه آزاد اسلامی، واحد نیشابور محمد تقی پور

کارشناس ارشد حسابداری، دانشگاه آزاد اسلامی، واحد نیشابور (مسئول مکاتبات) امید فروتن

کارشناس ارشد حسابداری، دانشگاه آزاد اسلامی، واحد نیشابور

abstract

امروزه شبکه های عصبی مصنوعی جایگاه ویژه ای در حیطه مالی پیدا کرده است. پژوهش حاضر به دنبال یافتن روش بهتر برای ساخت و آموزش شبکه های عصبی مصنوعی است که منجر به پیش بینی دقیق تر در موضوع ورشکستگی شود. در این میان سه شبکه عصبی از نوع توابع شعاع مدار ساخته شد که به صورت جداگانه توسط متغیرهای مدل آلتمن (1983)، اسمایوسکی (1984) و ترکیبی آموزش داده شدند. پس از سنجش توانایی سه مدل در پیش بینی ورشکستگی با استفاده از آزمون دقیق فیشر و مک نمار، دقت آن ها مورد مقایسه قرار گرفته است. نمونه مورد آزمون شامل شرکت های عضو بورس اوراق بهادار تهران در بین سال های 1383 تا 1390 می باشد. یافته ها نشان می دهند که هر سه مدل توانایی پیش بینی ورشکستگی را دارند و از بین آن ها مدل آموزش یافته با متغیرهای مدل آلتمن دقیق تر از دو مدل دیگر قادر به انجام این امر است.

Upgrade to premium to download articles

Sign up to access the full text

Already have an account?login

similar resources

شبکه های عصبی شعاعی آموزش یافته بر پایه متغیرهای مدل‌های آماری و مقایسه آن‌ها در پیش بینی ورشکستگی

امروزه شبکه های عصبی مصنوعی جایگاه ویژه ای در حیطه مالی پیدا کرده است. پژوهش حاضر به دنبال یافتن روش بهتر برای ساخت و آموزش شبکه های عصبی مصنوعی است که منجر به پیش بینی دقیق‌تر در موضوع ورشکستگی شود. در این میان سه شبکه عصبی از نوع توابع شعاع مدار ساخته شد که به صورت جداگانه توسط متغیرهای مدل آلتمن (1983)، اسمایوسکی (1984) و ترکیبی آموزش داده شدند. پس از سنجش توانایی سه مدل در پیش بینی ورشکستگی...

full text

طراحی مدل پیش بینی ورشکستگی شرکت ها به وسیله شبکه های عصبی فازی (مطالعه موردی:شرکت های بورس اوراق بهادار تهران)

در این مقاله به منظور پیش بینی درصد ورشکستگی شرکت های بورسی از مدلهای  شبکه عصبی فازی استفاده گردیده که توانایی کار در محیط پویا و غیر قطعی را امکان پذیر می سازد. در این میان با استفاده از منطق فازی متغییر های مختلف کلامی به منظور تعریف هر شاخص مشخص گردیده است و با ایجاد توابع عضویت هر کدام با استفاده شبکه عصبی به ایجاد یک سیستم یادگیرنده اقدام شده است. از میان مدل های مختلف شبکه عصبی،شبکه پرسی...

full text

مقایسه پیش بینی هزینه ها با استفاده از روش های آماری و شبکه عصبی مطالعه موردی: شهرداری اصفهان

پیش بینی هزینه کل آب در شهرداری اصفهان کمک موثری میباشد برای بهینه سازی مصرف آب در 14 منطقهشهرداری اصفهان. هزینه کل آب تابعی از پارامترهای مختلف و متنوع می باشد. به همین دلیل پیش بینی هزینه بهصورت تحلیلی بسیار مشکل و یا ناممکن می باشد. در این شرایط استفاده از سیستم های هوشمند می تواند بهعنوان یک گزینه راهگشا مطرح گردد. در این تحقیق با استفاده از شبک ه های عصبی پرسپترون چند لایه و باالگوریتم آمو...

full text

مقایسه مدل شبکه های عصبی مصنوعی با روش¬های رگرسیون لجستیک و تحلیل ممیزی در پیش بینی ورشکستگی شرکت¬ها

یکی از مهم¬ترین موضوع¬های مطرح شده در زمینه مدیریت مالی، این است که سرمایه¬گذاران فرصت¬های مطلوب سرمایه¬گذاری را از فرصت¬های نامطلوب تشخیص دهند و منابعشان را در فرصت¬های مناسب سرمایه گذاری کنند. از مهمترین روش هایی که می¬توان با استفاده از آن به بهره¬گیری مناسب از فرصت¬های سرمایه¬گذاری و همچنین جلوگیری از به هدر رفتن منابع کمک کرد، پیش بینی ورشکستگی شرکت ها است. برای این منظور مدل های مختلفی وج...

full text

My Resources

Save resource for easier access later


Journal title:
دانش سرمایه گذاری

جلد ۲، شماره ۷، صفحات ۱۴۹-۱۶۶

Hosted on Doprax cloud platform doprax.com

copyright © 2015-2023