كاربرد روش k- نزديك ترين همسايه در پيش بيني درماندگي مالي شركت هاي پذيرفته شده در بورس اوراق بهادار تهران

Application of K-Nearest Neighbor (KNN) for Predicting Corporate Financial Distress in Tehran Stock Exchange

با توجه به تاثيرات درماندگي مالي شركت ها بر گروه هاي ذينفع، همواره ارايه الگوهاي پيش بيني درماندگي مالي يكي از جذاب ترين حوزه ها در تحقيقات مالي بوده است. در سال هاي اخير و پس از رخ دادن بحران مالي جهاني، تعداد شركت هاي ورشكسته افزايش يافته است. از آن جا كه درماندگي مالي شركت ها مقدمه ورشكستگي آنهاست، لذا استفاده از نسبت هاي مالي براي پيش بيني درماندگي مالي، مورد توجه هر چه بيشتر دانشگاهيان و هم‏چنين بنگاه هاي اقتصادي و نهادهاي مالي قرار گرفته است. گر چه، در سال هاي اخير در كشور ما نيز تحقيقات انجام شده بر روي پيش بيني درماندگي مالي شركت ها رو به افزايش است، با اين حال بيشتر تلاش هاي صورت گرفته به استفاده از روش هاي سنتي آماري معطوف شده و تنها در تعداد كمي از پژوهش ها از روش هاي ناپارامتري استفاده شده است. نتايج تحقيقات انجام شده در سال هاي اخير حاكي از آن است كه روش هاي يادگيري ماشيني عملكرد بهتري را نسبت به روش‌هاي سنتي آماري دارا مي باشند. در اين پژوهش از روش k نزديك ترين همسايه براي پيش بيني درماندگي مالي شركت هاي پذيرفته شده در بورس اوراق بهادار تهران طي سال هاي 1386-1384 استفاده شده است. نتايج حاكي از آن است كه روش مذكور با دقت خوبي قادر به پيش بيني درماندگي مالي شركت ها مي باشد.

Due to the effects of companies’ financial distress on stakeholders, financial distress prediction models have been one of the most attractive scopes in financial research. In recent years, after the global financial crisis, the number of bankrupt companies has risen. Since companiesʹ financial distress is the first stage of bankruptcy, using financial ratios for predicting financial distress have attracted too much attention of the academics as well as economic and financial institutions. Although in recent years studies on predicting companies’ financial distress in Iran have been increased, but most efforts have exploited traditional statistical methods; and just a few studies have used nonparametric methods. Recent studies demonstrate machine learning techniques outperform traditional statistical methods. In the present study k-Nearest Neighbor classification method, derived from the field of data mining, is employed to predict financial distress of Tehran Stock Exchange listed companies during 2005-2008. Experimental results show that k-Nearest Neighbor is able to predict corporate financial distress with high accuracy.