رویکردی نوین در ارزیابی ریسک ورشکستگی: مقایسه الگوریتم های یادگیری ماشین برای تشخیص زودهنگام بحران مالی

پیش بینی بحران های مالی (FDP) از اهمیت ویژه ای در مطالعات اقتصادی و تصمیم گیری های سرمایه گذاری برخوردار است. پژوهش های پیشین عمدتا تلاش کرده اند مسئله ی ورشکستگی و چالش های مالی را با بهره گیری از فناوری های هوش مصنوعی یا مدل های سنتی پیش بینی بررسی کنند. از آن جا که تصمیمات سرمایه گذاران به طور مستقیم از اخبار و تحلیل های مرتبط با وضعیت مالی شرکت ها تاثیر می پذیرد، اتکای بیش از حد به ارزیابی های ذهنی یا نظرات تحلیلگران می تواند موجب تصمیم گیری های نادرست شود. بر این اساس، پژوهش حاضر با هدف توسعه ی مدلی نوین و مبتنی بر داده برای پیش بینی بحران های مالی انجام شده است. در این تحقیق، سه الگوریتم یادگیری ماشین شامل LSTM، Random Forest (RF) و K-Nearest Neighbors (KNN) مورد ارزیابی قرار گرفتند و عملکرد آن ها با استفاده از شاخص های کلیدی نظیر F۱ Score، AUC، Precision، Accuracy و Recall سنجیده شد. مدل ها با داده های مربوط به ۸٬۲۶۲ شرکت فعال در بورس های NYSE و NASDAQ طی سال های ۱۹۹۹ تا ۲۰۱۸ آموزش و آزمون شدند. نتایج نشان داد مدل LSTM به طور محسوسی از دو مدل RF و KNN برتر است و به مقادیر F۱-score = ۷۷.۲% و AUC = ۸۳.۲% دست یافت. یافته های این پژوهش بیانگر آن است که مدل LSTM می تواند رویکردی کارآمد و دقیق برای پیش بینی بحران های مالی باشد و پتانسیل بالایی در ارتقای چارچوب های ارزیابی ریسک در تحلیل های مالی دارد.

کلیدواژه ها:

پیش بینی بحران مالی ، یادگیری ماشین ، بازار سهام ، ورشکستگی