مقایسه دقت پیش بینی درماندگی مالی شرکت ها با روش ماشین بردار پشتیبان بازه ای و ماشین بردار پشتیبان استاندارد
پایان نامه
- وزارت علوم، تحقیقات و فناوری - دانشگاه فردوسی مشهد - دانشکده علوم اداری و اقتصاد
- نویسنده حمید رمضانی
- استاد راهنما مهدی مرادی هادی صدوقی یزدی مهدی صالحی
- تعداد صفحات: ۱۵ صفحه ی اول
- سال انتشار 1392
چکیده
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.
منابع مشابه
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...
متن کاملتوانایی 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...
متن کاملکاربرد 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...
متن کاملکاربرد 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...
متن کاملپیشبینی 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...
متن کاملپیش 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...
متن کاملمنابع من
با ذخیره ی این منبع در منابع من، دسترسی به آن را برای استفاده های بعدی آسان تر کنید
ذخیره در منابع من قبلا به منابع من ذحیره شده{@ msg_add @}
نوع سند: پایان نامه
وزارت علوم، تحقیقات و فناوری - دانشگاه فردوسی مشهد - دانشکده علوم اداری و اقتصاد
میزبانی شده توسط پلتفرم ابری doprax.com
copyright © 2015-2023