بررسی توانایی شبکه های عصبی مصنوعی منتخب در پیش بینی درماندگی مالی

در محیط رقابتی امروز و با تغییرات شرایط بازارهای مالی، احتمال درماندگی مالی شرکت ها افزایش یافته است. در این شرایط افراد، شرکت های سرمایه گذار و سازمان های مالی تلاش زیادی برای اطلاع از وضعیت فعلی و آتی شرکت های سرمایه پذیر در جهت محافظت از سرمایه خود انجام می دهند. ارزیابی و تشخیص درست وضعیت مالی شرکت ها و همچنین پیش بینی وضعیت مالی آتی آن ها نیازمند استفاده از معیارهای کارآمد با احتمال خطای کمتر است. در همین راستا هدف پژوهش، بررسی توانایی شبکه های عصبی مصنوعی و فازی جهت پیش بینی درماندگی مالی و مقایسه ی شبکه های استفاده شده در شرکت های فعال در بورس اوراق بهادار تهران است. بدین منظور ۵۵۱جفت شرکت سالم و درمانده مالی طی بازه زمانی ۱۳۸۵-۱۴۰۰ انتخاب شده است. شبکه های عصبی پژوهش عبارتنداز: شبکه عصبی پرسپترون چندلایه (MLP) و شبکه عملکرد پایه شعاعی (RBF) و شبکه استنتاج فازی انطباق پذیر (ANFIS) است و نرم افزار مورد استفاده جهت طراحی شبکه های عصبی نرم افزار MATLAB می باشد. نتایج به دست آمده در این پژوهش نشان از کارایی بالای مدل شبکه های عصبی ارائه شده دارد. نتایج نشان می دهد، شبکه عصبی پرسپترون چندلایه (MLP) در خصوص تشخیص درماندگی مالی عملکرد بهتری نسبت به شبکه تابع پایه شعاع (RBF) دارد و شبکه تابع پایه شعاعی (RBF) عملکرد بهتری نسبت به شبکه استنتاج فازی انطباق پذیر (ANFIS) از خود نشان داده است.

کلیدواژه ها:

درماندگی مالی ، پیش بینی ، شبکه عصبی مصنوعی