طراحی مدل پیش بینی درماندگی مالی با رویکرد ترکیبی شبکه های حافظه طولانی کوتاه مدت و الگوریتم بهینه سازی وال (مطالعه موردی شرکت های پذیرفته شده در بورس اوراق بهادار تهران)

هدف این پژوهش طراحی مدلی دقیق برای پیش بینی درماندگی مالی با بهره گیری از قابلیت های یادگیری عمیق و بهینه سازی فراتکاملی است. بدین منظور داده های مالی ۱۴۲ شرکت پذیرفته شده در بورس اوراق بهادار تهران در بازه زمانی ۱۳۹۳ تا ۱۴۰۲ سال گردآوری شد. با غربالگری سیستماتیک از ۶۱۵ شرکت نمونه نهایی شامل ۱۴۲ شرکت انتخاب و ۲۰ نسبت مالی در پنج گروه نقدینگی، اهرمی، سودآوری، کارایی و بازار به عنوان متغیرهای ورودی تعریف گردید. درماندگی مالی بر اساس ماده ۱۴۱ قانون تجارت عملیاتی شد. مدل ترکیبی شامل شبکه حافظه طولانی کوتاه مدت است که فرا پارامترهای آن توسط الگوریتم بهینه سازی وال تنظیم شده است. عملکرد مدل پیشنهادی با رگرسیون لجستیک، ماشین بردار پشتیبان و شبکه عصبی پرسپترون چندلایه مقایسه گردید. نتایج نشان داد مدل ترکیبی شبکه حافظه طولانی کوتاه مدت با الگوریتم بهینه سازی وال با صحت ۷۸/۹۴، دقت ۹۱/۹۳، بازیابی ۵۴/۹۲٪ و سطح زیر منحنی راک ۰.۹۶۸ در داده های آزمون عملکردی برتر نسبت به سایر مدل ها دارد. تحلیل اهمیت متغیرها با روش شپلی حاکی از آن است که اهرم، کیفیت مالی حسابرسی و نسبت جریان نقد عملیاتی به ترتیب مهم ترین پیش این های درماندگی مالی در شرکت های ایرانی هستند. یافته ها تاکید می کند که به کارگیری همزمان بعد زمانی و بهینه سازی هوشمند فراپارامترها خطای پیش بینی را در مقایسه با بهترین مدل پیشین ۱۲/۳۴٪ کاهش می دهد. این مدل می تواند در سامانه هشدار سریع سازمان بورس، ارزیابی ریسک اعتباری بانک ها و تصمیم گیری حسابرسان مستقل به کار گرفته شود.

کلیدواژه ها:

درماندگی مالی ، شبکه حافظه طولانی کوتاه مدت ، الگوریتم بهینه سازی وال ، بورس اوراق بهادار تهران ، یادگیری عمیق ، نسبت های مالی ، پیش بینی ورشکستگی