مقایسه دقت پیش بینی درماندگی مالی شرکت ها با روش ماشین بردار پشتیبان بازه ای و ماشین بردار پشتیبان استاندارد
thesis
- وزارت علوم، تحقیقات و فناوری - دانشگاه فردوسی مشهد - دانشکده علوم اداری و اقتصاد
- author حمید رمضانی
- adviser مهدی مرادی هادی صدوقی یزدی مهدی صالحی
- Number of pages: First 15 pages
- publication year 1392
abstract
معمولاً سرمایه گذاران و سایر گروه های ذی نفع، از اطلاعات مالی برای تصمیم گیری استفاده می کنند. از آنجا که اتخاذ تصمیم نادرست، منجر به درماندگی مالی و ورشکستگی شرکت ها شده و علاوه بر تحمیل هزینه های سنگین اقتصادی و اجتماعی، مشکلات جبران ناپذیر اقتصادی را به همراه دارد، لذا پیش بینی وضعیت مالی شرکت ها همواره مورد توجه سرمایه گذاران، اعتباردهندگان، دولت و پژوهشگران مالی بوده است. در مطالعات مالی میزان اتکاپذیری داده های ورودی مدل (متغیر مستقل) در سطح بالا لحاظ می شود لذا در این تحقیق موضوع عدم قطعیت داده ورودی به مدل ماشین بردار پشتیبان مورد توجه قرار گرفته و با استفاده از مفهوم داده ی بازه ای، مدل جدیدی طراحی شده است. به منظور آزمون مدل پیشنهادی، نمونه تحقیق شامل30 زوج شرکت درمانده و سالم در بازه زمانی سال های 1380 تا 1390 انتخاب و 40 نسبت مالی به عنوان متغیرهای مستقل درنظر گرفته شدند. نتایج تحقیق نشان می دهد در طول بازه های مختلف (به استثناء بازه 30/0) عملکرد مدل بازه ای نسبت به مدل استاندارد مطلوب تر می باشد و مدل پیشنهادی تحقیق در قبال تغییر طول بازه انعطاف پذیر است. در واقع با وجود کاهش قطعیت داده ی ورودی، مدل همچنان قادر به پیش بینی صحیح وضعیت مالی آتی شرکت می باشد.
similar resources
توانایی ماشین بردار پشتیبان در پیش بینی درماندگی مالی
درماندگی مالی پیش از ورشکستگی مالی رخ می‌دهد و پیش بینی موثر آن یک مسئله‌ی مهم و چالش برانگیز برای شرکت‌ها می‌باشد. تحقیق حاضر به پیش بینی درماندگی مالی در قالب مدل ماشین بردار پشتیبان و با استفاده از ترکیبات جریان نقد می‌پردازد. اهمیت ابزارهای داده کاوی، و توانایی این ابزارها در پیش بینی و طبقه بندی متغیرها، استفاده از آن‌ها را در مباحث مختلف مالی از جمله پیش بینی ورشکستگی، پیش بینی درماندگی م...
full textتوانایی ماشین بردار پشتیبان در پیش بینی درماندگی مالی
درماندگی مالی پیش از ورشکستگی مالی رخ می دهد و پیش بینی موثر آن یک مسئله ی مهم و چالش برانگیز برای شرکت ها می باشد. تحقیق حاضر به پیش بینی درماندگی مالی در قالب مدل ماشین بردار پشتیبان و با استفاده از ترکیبات جریان نقد می پردازد. اهمیت ابزارهای داده کاوی، و توانایی این ابزارها در پیش بینی و طبقه بندی متغیرها، استفاده از آن ها را در مباحث مختلف مالی از جمله پیش بینی ورشکستگی، پیش بینی درماندگی م...
full textکاربرد ماشین بردار پشتیبان در پیش بینی درماندگی مالی شرکت ها با استفاده از نسبت های مالی
استفاده از نسبت های مالی برای پیش بینی درماندگی مالی یا ورشکستگی شرکت ها، همیشه مورد توجه دانشگاهیان و بنگاه های اقتصادی، بویژه بانک ها و سایر نهادهای مالی بوده است. پیش بینی به موقع می تواند تصمیم گیران را در یافتن راه حل و پیشگیری از درماندگی مالی، یاری نماید. همچنین، این مدل ها کاربرد بسیار زیادی در رتبه بندی اعتباری و نحوه توزیع تسهیلات بانکی دارد. همواره سعی شده است تا دقت پیش بینی این مدل...
full textکاربرد ماشین بردار پشتیبان در پیش‌بینی درماندگی مالی شرکت‌ها با استفاده از نسبت‌های مالی
استفاده از نسبت‌های مالی برای پیش بینی درماندگی مالی یا ورشکستگی شرکت‌ها، همیشه مورد توجه دانشگاهیان و بنگاه های اقتصادی، بویژه بانک‌ها و سایر نهادهای مالی بوده است. پیش‌بینی به موقع می تواند تصمیم گیران را در یافتن راه حل و پیشگیری از درماندگی مالی، یاری نماید. همچنین، این مدل‌ها کاربرد بسیار زیادی در رتبه بندی اعتباری و نحوه توزیع تسهیلات بانکی دارد. همواره سعی شده است تا دقت پیش بینی این مدل...
full textپیش‌بینی درماندگی مالی شرکت‌ها بوسیله مدل‌های ماشین بردار پشتیبان و تحلیل ممیزی چندگانه
توانایی پیش‌بینی درماندگی مالی شرکت‌ها به عنوان یکی از حوزه‌های مدیریت ریسک، از اهمیت ویژه‌ای برخوردار است. هدف تحقیق حاضر بهبود فرآیند پیش بینی درماندگی مالی با تکیه بر دو بخش مهم در فرآیند مزبور است. برای این منظور ساختار تحقیق در دو بخش پیکربندی شده است. در بخش نخست تمرکز این مقاله بر متغیرهای پیش‌بین بوده و در بخش دوم نیز بر دو مدل مهم پیش‌بینی درماندگی مالی شرکت‌ها تأکید شده است. برای تح...
full textپیش بینی ژن های بیماری با استفاده از دسته بند تک‌کلاسی ماشین بردار پشتیبان
Abstract: In disease gene identification and classification, users are only interested in classifying one specific class, disease genes, without considering other classes (non-disease genes). This situation is referred to as one-class classification. Existing machine learning-based methods typically use known disease gene as positive training set and unknown genes as negative training set to bu...
full textMy Resources
document type: thesis
وزارت علوم، تحقیقات و فناوری - دانشگاه فردوسی مشهد - دانشکده علوم اداری و اقتصاد
Hosted on Doprax cloud platform doprax.com
copyright © 2015-2023