پیش بینی درماندگی مالی با استفاده از یادگیری ماشین در شرکت های پذیرفته شده در بورس اوراق بهادار تهران

در شرایط نوسانات شدید اقتصادی شناسایی زودهنگام شرکت های در معرض درماندگی مالی برای سهامداران، اعتباردهندگان و نهادهای نظارتی حیاتی است. این پژوهش با هدف توسعه یک مدل پیش بینی دقیق تر، از مجموعه ای از الگوریتم های یادگیری ماشین بر روی داده های صورت های مالی ۱۲۰ شرکت پذیرفته شده در بورس اوراق بهادار تهران در بازه زمانی ۱۳۹۶ تا ۱۴۰۳ استفاده کرده است. متغیرهای ورودی شامل نسبت های نقدینگی، اهرم مالی، سودآوری و شاخص های جریان نقدینگی بوده که با روش های استانداردسازی و حذف داده های پرت پیش پردازش شدند. نتایج نشان داد که الگوریتم یادگیری ماشین با دقت ۸۹.۴٪ و نرخ خطای کمتر، برتری قابل توجهی نسبت به مدل های سنتی آماری مانند (Z-Score) و مدل های رگرسیونی لجستیک دارد. این مطالعه نشان می دهد که یادگیری ماشین می تواند الگوهای پیچیده و غیرخطی در داده های مالی ایران را بهتر از روش های خطی سنتی شناسایی کند و ابزاری قدرتمند برای مدیریت ریسک و سیاست گذاری اقتصادی فراهم آورد.

کلیدواژه ها:

یادگیری ماشین ، درماندگی مالی