بررسي سودمندي طبقه‌بندي‌كنندۀ جنگل‌هاي تصادفي و روش انتخاب متغير ريليف در پيش‌بيني بحران مالي: مطالعۀ شركت‌هاي پذيرفته‌شده در بورس اوراق بهادار تهران

The Usefulness of Random Forest Classifier and Relief Features Selection in Financial Distress Prediction: Empirical Evidence of Companies Listed on Tehran Stock Exchange

پژوهش حاضر به پيش‌بيني بحران مالي شركت‌هاي پذيرفته‌شده در بورس اوراق بهادار تهران با استفاده از طبقه‌بندي‌كنندۀ غيرخطي جنگل‌هاي تصادفي مي‌پردازد. در اين راستا، پس از بررسي متون پژوهش و شناسايي 69 متغير پيش‌بين اوليه، از روش انتخاب متغير ريليف براي شناسايي متغيرهاي پيش‌بين بهينه استفاده شد. يافته‌هاي تجربي مربوط به بررسي 95 شركت سال سالم (بدونِ درماندگي مالي) و 95 شركت سال (درماندۀ مالي) پذيرفته‌شده در بورس اوراق بهادار تهران در سال‌هاي 1380 تا 1392 بيانگر عملكرد بهتر جنگل‌هاي تصادفي نسبت به رگرسيون لجستيك است. به بيان ديگر، در صورت استفاده از اين طبقه‌بندي‌كننده، به‌طور معناداري، ميانگين دقت افزايش و خطاي نوع اول و دوم كاهش مي‌يابد. افزون بر اين، يافته‌هاي پژوهش بيانگر سودمندي روش انتخاب متغير ريليف در پيش‌بيني بحران مالي است. به عبارت ديگر، در صورت استفاده از متغيرهاي منتخب روش ريليف (نسبت به استفاده از 69 متغير اوليه)، به‌طور معناداري، ميانگين دقت افزايش وخطاي نوع اول و دوم كاهش مي‌يابد.

The Purpose of this research is investigating the usefulness of random forest classifier and relief features selection in financial distress prediction of companies listed on Tehran Stock Exchange. In this regard, through reviewing literature, 69 predictive features (variables) were specified as the initial features based on the popularity in the literature and the availability of the necessary data. By using relief method, optimal variables were selected from initial variables. In overall, the experimental results of investigating 95 financially distressed and 95 nonfinancial distressed in 2002 to 2014, indicated that random forest outperforms the logistic regression. In other words, the application of this classifier, increases the mean of accuracy, and reduces the occurrence of type I and type II errors. Furthermore, the results confirmed the usefulness of relief method in predicting financial distress. . In other words, using selected variables of this feature selection method (relative to using 69 initial variables) increases the mean of accuracy, and reduces the occurrence of type I and type II errors