Application of Artificial Intelligence Algorithm of Linear and Non-linear Relevance Vector Machine in Predicting the Bankruptcy
سال انتشار: 1397
نوع سند: مقاله ژورنالی
زبان: انگلیسی
مشاهده: 108
فایل این مقاله در 14 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
این مقاله در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_IJAAF-2-3_007
تاریخ نمایه سازی: 2 اسفند 1400
چکیده مقاله:
Abstract The purpose of this research is localization of a method for analyzing and predicting the Bankruptcy of companies at three levels (financial health, Bankruptcy and bankrupt). In the first step, using the Relief-F multi-class AI algorithm among ۵۴ initial independent variables, and using information from ۱۴۸۸ companies-years during the period ۲۰۱۱-۲۰۱۶, the financial risk variables, working capital ratio, long-run debt ratio, asset flow ratio, the economic value added ratio, the ratio of non-executive managers, the ratio of current debts to equity, the ratio of debt to equity, corporate size, earning management were selected as important variables in the prediction of the three-level Bankruptcy situation, respectively. Using relevance vector machine algorithm, the Bankruptcy situation of companies is predicted in the coming year and next two years using MATLAB ۲۰۱۷ software. The results of the research indicate that in general, the predictive power of the relevance algorithm in nonlinear mode is much higher than in linear mode, so that in the nonlinear mode, using the relevance vector machine algorithm, we can determine the company's Bankruptcy with accuracy of more than ۹۳% for the coming year and more than ۸۶% for the next two years.
کلیدواژه ها:
Bankruptcy ، artificial intelligence algorithm ، global and Iranian models of Bankruptcy ، Tehran Stock Exchange
نویسندگان
مراجع و منابع این مقاله:
لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :