مقایسه دقت فناوری های نوین مدل های آماری و مدل های یادگیری ماشین به منظور پیش بینی ورشکستگی بانک ها
کد مقاله : 1189-ACC17 (R1)
نویسندگان:
نفیسه قاضی زاده احسایی1، محمدرضا عباس زاده *2، مهدی صالحی1، مهدی جباری نوقابی3
1گروه آموزشی حسابداری، دانشکده علوم اداری و اقتصادی، دانشگاه فردوسی، مشهد، ایران
2گروه آموزشی حسابداری، دانشکده علوم اداری و اقتصادی، دانشگاه فردوسی مشهد، ایران
3گروه آموزشی آمار، دانشکده علوم ریاضی، دانشگاه فردوسی، مشهد، ایران
چکیده مقاله:
هدف: در سال های اخیر بسیاری از کشورها با اقتصادهای پیشرفته، با بحران های جدی در بخش بانکی خود مواجه شدند. در ایران تا پیش از این کم تر به مسأله پیش بینی ورشکستگی بانک ها پرداخته شده است. اما اخیراً به دلیل افزایش سهم بخش خصوصی در نظام بانکی، ورشکستگی مؤسسات مالی و اعتباری و شایعاتی که در خصوص ورشکستگی برخی بانک ها مطرح شده است، اهمیت این موضوع دوچندان شده است.
روش: در پژوهش حاضر سعی بر این است تا از میان مدل های آماری و مدل های یادگیری ماشین، دقیق ترین مدل جهت پیش بینی ورشکستگی بانک ها معرفی شود. جامعه مورد بررسی شامل 30 بانک فعال ایران برای یک دوره 10 ساله طی سال های 1387 الی 1396 می باشد.
یافته ها: نتایج حاکی از دقت بالای مدل ماشین بردار پشتیبان در این زمینه است. بعد از آن به ترتیب مدل های شبکه عصبی مصنوعی، رگرسیون لجستیک و ممیزی خطی فیشر به عنوان دقیق ترین مدل ها جهت پیش بینی ارزیابی شدند. در نهایت مدل نزدیک ترین همسایه K جزو مدل های مؤثر در زمینه پیش بینی ورشکستگی بانک ها شناسایی نشد. این پژوهش می تواند زوایای جدیدی از تکنیک های پیش بینی ورشکستگی بانک ها را بر مطالعات مالی بیفزاید؛ چرا که به دنبال مقایسه دقت مدل های آماری و یادگیری ماشین به منظور پیش بینی ورشکستگی می باشد که این مهم در ادبیات مالی مورد بررسی قرار نگرفته است.
کلیدواژه ها:
شبکه عصبی مصنوعی، نزدیک ترین همسایه K، ماشین بردار پشتیبان، رگرسیون لجستیک، ممیزی خطی
وضعیت : مقاله برای ارائه شفاهی پذیرفته شده است