پیش بینی درماندگی مالی شرکت ها با استفاده از اطلاعات متنی گزارش های فعالیت هیئت مدیره

هدف: اهمیت بالای درماندگی مالی برای حیات اقتصادی کشور و هزینه های بالای فردی و اجتماعی آن، موضوع پیش بینی درماندگی مالی را به یک مسئله مهم برای استفاده کنندگان و ذی نفعان صورت های مالی تبدیل کرده است. عمده پژوهش ها باتکیه بر اطلاعات مالی ساختاریافته و کمی صورت های مالی درماندگی مالی را پیش بینی کردند؛ اما در این پژوهش تلاش شده است با استفاده از تکنیک متن کاوی و الگوریتم های یادگیری ماشین، از اطلاعات ساختار نیافته گزارش های هیئت مدیره جهت پیش بینی درماندگی مالی استفاده شود. روش: به همین منظور گزارش هیئت مدیره ۱۰۰ شرکت بورسی در بازه زمانی ۱۳۹۰-۱۴۰۰ جمع آوری، با استفاده از زبان برنامه نویسی پایتون مورد متن کاوی (شامل مراحل پیش پردازش، استخراج ویژگی، انتخاب ویژگی و ...) قرار گرفتند و سپس مدل سازی آن با استفاده از الگوریتم های یادگیری ماشین در زبان برنامه نویسی پایتون انجام گرفت. یافته ها: نتایج پژوهش حاکی از برتری دو روش مدل درخت تصمیم و ماشین بردار پشتیبان با کرنل شعاعی نسبت به سایر روش ها (شامل رگرسیون لجستیک، جنگل تصادفی، نزدیک ترین همسایگی و روش های ماشین بردار پشتیبان با کرنل های خطی، سیگموئید و چندجمله ای) بود. نتیجه گیری: در واقع نتایج این پژوهش نشان داد که به جای توجه صرف بر اعداد و ارقام و نسبت های مشتق شده، می توان از تکنیک متن کاوی نیز جهت تجزیه وتحلیل و پیش بینی استفاده کرد و با تلفیق آن با نتایج حاصل از اطلاعات کمی می توان درماندگی مالی شرکت ها پیش بینی نمود.

کلیدواژه ها:

درماندگی مالی ، متن کاوی ، یادگیری ماشین ، پایتون