كاربرد يادگيري ماشين در ارائه الگويي براي پيش بيني ورشكستگي

استفاده از ابزارها و روش هاي پيش بيني سنتي خطاي بالايي داشته و در مقايسه با روش هاي جديدتر و مدل هاي غيرخطي عملكرد ضعيف تري دارند. يكي از روش ها و الگوريتم هاي پركاربرد در پيش بيني استفاده از يادگيري ماشين است. هدف اصلي اين پژوهش بررسي كاربرد يادگيري ماشين در ارائه الگويي براي پيش بيني ورشكستگي 308 شركت پذيرفته شده در بورس اوراق بهادار تهران در بازه زماني 1389 تا 1398(3080 سال – شركت) مي‌باشد كه براي آزمون فرضيه‌ها از رگرسيون چند گانه داده‌هاي تركيبي و به منظور پياده‌سازي الگوريتم خوشه‌بندي Medians-K و محاسبات مربوطه از نرم افزار محاسبات اماري R استفاده گرديد. نتايج حاصل از پژوهش نشان مي دهد از ميان نسبت هاي مالي مشخص شده در مدل اول فقط نسبت درآمد خالص به كل دارايي و نسبت ارزش بازار حقوق صاحبان سهام به كل ارزش بازار موجب مي‌توانند توانايي مدل پيش بيني ورشكستگي را بهبود ببخشند. همچنين در مدل دوم نسبت هاي مالي مشخص شده توانايي بهبود مدل پيش بيني ورشكستگي را داشته و با اضافه كردن متغير Devscore براي گروه‌هايي كه بر اساس صنعت و اندازه ساخته شده اند، مدل اصلاح شده و پيش بيني ورشكستگي را بهبود مي بخشد. نتايج حاكي از آن است كه يك شركت در صورت داشتن نسبت هاي مالي مرتبط با ورشكستگي كه پايين تر از ميانگين همسانان خوشه‌اي خود است، احتمالاً ورشكسته مي‌شود.