چکیده:
پژوهش حاضر با هدف بکارگیری شبکه عصبی کانولوشن برای پیش بینی ورشکستگی شرکتها با استفاده از نسبتهای مالی تصویری انجام میگیرد. در دنیای به سرعت در حال تغییر، برای شناسایی تصاویر، شبکههای عصبی کانولوشن در مسائل مربوط به بسیاری از رشتهها بکار میروند. دوره زمانی پژوهش 1388 تا 1397 و شرکتهای نمونه از بین شرکتهای پذیرفته شده در بورس اوراق بهادار تهران و در قالب دو گروه شامل 66 شرکت ورشکسته و 66 شرکت غیر ورشکسته انتخاب شدند. از آنجا که کار شبکه عصبی کانولوشن شناخت تصاویر از بین تصاویر موجود است لذا ابتدا نسبتهای مالی به عنوان داده های پژوهش از طریق نرم افزار متلب 2019 به تصویر تبدیل و سپس با کمک شبکه عصبی کانولوشن و تحت معماری گوگل نت اقدام به تشخیص و پیش بینی وضعیت شرکتهای نمونه گردید. نتایج حاصل از تحلیل یافتهها نشان داد که مدل شبکههای عصبی کانولوشن در پیش بینی و شناخت از روی تصاویر، پیش بینی درستی با دقت 50 درصد از بین شرکتها انجام داد. به عبارتی در پیش بینی وضعیت تداوم فعالیت شرکتها 50 درصد از شرکتهای ورشکسته و 50 درصد از شرکتهای غیر ورشکسته را درست تشخیص داد.
Convolutional neural networks are being applied to identification problems in a variety of fields, and in some areas are showing higher discrimination accuracies than conventional methods. Hence, in this research, an attempt is made to apply a convolutional neural network to the prediction of corporate bankruptcy. The financial statements ratios has been choice 66 companies that have been delisted from the Iran Stock Market due to de facto bankruptcy as well as the financial statements of 66 listed companies over 2000 to 2019 financial periods. In this method, a set of financial ratios are derived from the financial statements and represented as a grayscale image. The image generated by this process is utilized for training and testing a convolutional neural network. The images for the bankrupt and continuing enterprises classes are used for training the convolutional neural network based on GoogLeNet. The findings shows, in prediction of going concern of firms, Convolutional neural network has predicted with 50 percent of precision. This means that 50 percent of continues firms and 50 percent of bankrupt firms has been predicted precisely.
خلاصه ماشینی:
از آنجا که کار شبکه عصبي کانولوشن شناخت تصاوير از بين تصاوير موجود است لذا ابتدا نسبت هاي مالي به عنوان داده هاي پژوهش از طريق نرم افزار متلب ٢٠١٩ به تصوير تبديل و سپس با کمک شبکه عصبي کانولوشن و تحت معماري گوگل نت اقدام به تشخيص و پيش بيني وضعيت شرکت هاي نمونه گرديد.
با توجه به اينکه ورشکستگي شرکت ها يکي از راه هايي است که منجر به هدر رفـتن منـابع و عـدم بهـره گيري از فرصتهاي سرمايه گذاري ميشود (رهنماي رودپشتي و همکاران ، ١٣٨٧) و با هدف گسترش دانش در حوزه پژوهش هاي پيش بيني ورشکستگي شرکت ها و همچنين ذکر اين نکته که پژوهش هاي ناچيزي در حوزه مالي از مدل شبکه هاي عصبي کانولوشن در شناخت تصاوير استفاده گرديده لذا مساله اي که ذهن درگير آن ميگردد آن است که آيا با کمک پيشرفت هايي که در حوزه شناخت و تفسير تصاوير انجام گرفته ميتوان از آن براي پيش بيني ورشکستگي شرکت ها استفاده کرد.
از آنجا که کار شبکه هاي عصبي کانولوشن بطور خاص "شناخت تصوير" است در اين روش مجموعه اي از نسبت هاي مالي به تصاوير خاکستري براي هر شرکت تبديل گرديد.
al (2018) bankruptcy prediction of companies based on hybrid intectual systems, quarterly journal of financial accounting and auditing, vol.
Bankruptcy prediction using imaged financial ratios and convolutional neural networks, Expert Systems With Applications An International Journal 25) Moghadam A.
(2013) review of financial models Falmer and Zmijewski in bankruptcy prediction of companies, journal of modern research in accounting, vol.