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

Authors

  • محمدعلی افشارکاظمی استاد مدعو دانشگاه آزاد اسلامی واحد علوم و تحقیقات
  • مریم ظهری کارشناس ارشد مدیریت بازرگانی، گرایش مالی، دانشگاه آزاد اسلامی واحد علوم و تحقیقات
Abstract:

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 پرسیترون چند لایه پیش خور، با قانون یادگیری پس انتشار خطا انتخاب شده است. در اینجا از چهار شبکه عصبی فازی استفاده  شده است. بدین منظور ابتدا پارامترهای مؤثر بر ورشکستگی شناسایی و سپس متغیرهای نهایی در سه دسته اصلی طبقه بندی و به عنوان ورودی های شبکه های عصبی فازی نقدینگی، اهرمی و بازار در نظر گرفته شده است . و سپس خروجی های شبکه های عصبی فازی نقدینگی، اهرمی و بازار به عنوان ورودی های شبکه عصبی فازی پیش بینی ورشکستگی شرکت ها وارد می گردد و خروجی آن احتمال ورشکستگی شرکت های داروسازی بورس را نمایش می دهد. عملکرد شبکه های عصبی فازی در محیط مطلب، سیستم استنتاج فازی سوگینو و توابع عضویت جی بل مورد ارزیابی قرار گرفته است. نتیجه بدست آمده از این مقاله یک مدل پیش بینی بهینه با کمترین مقدار خطا را ارایه داده است

Upgrade to premium to download articles

Sign up to access the full text

Already have an account?login

similar resources

ارائه مدل ریاضی پیش بینی ورشکستگی شرکت های پذیرفته شده در بورس اوراق بهادار تهران

در این مقاله پنج مدل مهم پیش‌بینی ورشکستگی را مطالعه و از میان متغیرهای پنج مدل، مدل بازطراحی شده پیش‌بینی ورشکستگی را ارائه می‌کنیم که دربرگیرنده هشت متغیر می‌باشد.  مسأله اصلی در این تحقیق این است که با بررسی و تحلیل صورت‌های مالی شرکت‌های پذیرفته شده در بورس اوراق بهادار تهران بتوانیم مدلی برای پیش‌بینی ورشکستگی شرکت‌ها ارائه نماییم.  به منظور طراحی مدل، از اطلاعات دو گروه از شرکت‌های پذیرفت...

full text

پیش بینی ورشکستگی شرکت های پذیرفته شده در سازمان بورس و اوراق بهادار با استفاده از شبکه عصبی مصنوعی

آگاهی از وضعیت مالی شرکت های بازار سرمایه همیشه یکی از دغدغه های سهامداران و تحلیلگران اقتصادی است؛ از این رو تحلیل گران و محقیق بازار های مالی همیشه به دنبال روش هایی برای پیش بینی شرایط آتی شرکت های حاضر در بازار سرمایه بودند. تحقیق پیش رو نیز به دنبال ایجاد مدلی برای پیش بینی ورشکستگی شرکت های حاضر در بازار بورس و اوراق بهادار با استفاده از شبکه عصبی مصنوعی است. در این تحقیق از نسبت های مالی...

full text

پیش بینی ورشکستگی مالی شرکت های بورس اوراق بهادار تهران با استفاده از شبکه‎های عصبی مصنوعی

هدف اصلی این مقاله پیش‎بینی ورشکستگی مالی شرکت‎ها در بورس اوراق بهادار تهران به وسیله‎ی شبکه‎های عصبی مصنوعی است. مقادیر میانگین مربوط به نسبت‎های مالی کلیدی در پژوهش‎های صورت گرفته در پیشینه موضوع به‎عنوان ورودی شبکه‎های عصبی انتخاب شده‎اند. شبکه عصبی به‎کار گرفته شده در این مقاله از نوع پرسپترون چند لایه است که به روش الگوریتم پس انتشار خطا آموزش دیده‎اند و شامل شبکه عصبی پیش‎خور سه لایه با ت...

full text

پیش بینی قیمت سهام شرکت های بورس اوراق بهادار تهران با استفاده از شبکه های عصبی مصنوعی

پیش­بینی تغییر قیمت سهام به عنوان یک فعالیت چالش­انگیز در پیش­بینی     سری­های زمانی مالی در نظر گرفته می­شود. یک پیش­بینی صحیح از تغییر قیمت سهام می­تواند سود زیادی را برای سرمایه­گذاران به بار آورد. با توجه به پیچیدگی داده­های بازار بورس، توسعه مدل­های کارآمد برای پیش­بینی بسیار دشوار است. در این پژوهش، مدلی برای پیش­بینی قیمت سهام شرکت­های بورس اوراق بهادار تهران با بکارگیری داده­های درون­زا...

full text

ارائه مدل پیش بینی شاخص کل قیمت سهام با رویکرد شبکه های عصبی (مطالعه موردی: بورس اوراق بهادار تهران)

هدف تحقیق حاضر ارائه مدل پیش­بینی شاخص قیمت سهام در بورس اوراق بهادار با استفاده از شبکه­های عصبی مصنوعی است. بر این اساس، شاخص صنعت، شاخص مالی و شاخص بازده نقدی به ­صورت سالانه به عنوان متغیرهای ورودی (مستقل) طرح شد. برای ارزیابی مدل شبکه عصبی از طرح MLP با الگوریتم آموزش پس انتشار و مدل چند عاملی بهره گرفته شده است. نتایج نشان می­دهد که مدل شبکه عصبی پیشنهادی، توانایی بالایی در پیش­بینی شاخص ...

full text

My Resources

Save resource for easier access later

Save to my library Already added to my library

{@ msg_add @}


Journal title

volume 4  issue 13

pages  51- 72

publication date 2013-12-22

By following a journal you will be notified via email when a new issue of this journal is published.

Hosted on Doprax cloud platform doprax.com

copyright © 2015-2023