برآورد الگوی پیش بینی درماندگی مالی مبتنی بر تلفیق الگوریتم بردار ماشین و الگوی حداقل مربعات

هدف: هدف از این پژوهش، ارائه یک مدل ترکیبی مبتنی بر حداقل مربعات جزئی (PLS) و ماشین بردار پشتیبان (SVM) برای پیش بینی درماندگی مالی شرکت ها و بهبود دقت و پایداری فرآیند پیش بینی است. روش شناسی: این پژوهش از یک مجموعه داده شامل ۱۲۰ شرکت، متشکل از ۵۶ شرکت ورشکسته و ۶۴ شرکت غیرورشکسته، در بازه زمانی دو ساله استفاده کرده است. ابتدا داده های مالی مورد تجزیه و تحلیل قرار گرفتند و ویژگی های مهم با استفاده از روش حداقل مربعات جزئی (PLS) استخراج شدند. سپس از الگوریتم ماشین بردار پشتیبان (SVM) با استفاده از روش جستجوی شبکه ای و اعتبارسنجی متقاطع ۵ بخشی برای تنظیم بهینه پارامترهای مدل استفاده شد. عملکرد مدل پیشنهادی با روش های سنتی مانند رگرسیون لجستیک و شبکه های عصبی مصنوعی مقایسه گردید. یافته ها: نتایج تجربی نشان دادند که مدل ترکیبی PLS-SVM با نرخ دقت ۸۷ درصد در مجموعه آزمایشی، عملکرد بهتری نسبت به مدل های سنتی و سایر تکنیک های یادگیری ماشین دارد. همچنین، این مدل توانست مرتبط ترین شاخص های مالی را برای پیش بینی درماندگی مالی شناسایی کرده و تاثیر هر یک از متغیرها را در فرآیند پیش بینی مشخص نماید. نتیجه گیری: مدل پیشنهادی به دلیل دقت بالا، تفسیرپذیری مناسب، و پایداری قابل توجه، می تواند به عنوان یک ابزار موثر برای موسسات مالی در فرآیندهای مدیریت ریسک، تایید اعتبار، و برنامه ریزی مالی به کار رود. این پژوهش نشان می دهد که ترکیب روش های یادگیری ماشین می تواند به بهبود قابلیت های پیش بینی مالی کمک کند.

کلیدواژه ها:

الگو ، تکنیک های یادگیری ماشینی ، غیرخطی بودن ، همبستگی های پیچیده ، ورشکستگی