ارائه مدل پيش‌بيني ورشكستگي شركت هاي بورس اوراق بهادار تهران مبتني بر مدل تركيبي شبكه عصبي گروهي دستكاري داده ها و الگوريتم ژنتيك

A hybrid bankruptcy prediction model based on GMDH-type neural network and genetic algorithm for Tehran Stock Exchange companies

هدف تحقيق حاضر ارائه مدلي كارا و توانمند جهت پيش­بيني ورشكستگي شركت­هاي توليدي بورس اوراق بهادار تهران با استفاده از يك مدل جديد تركيبي الگوريتم ژنتيك- شبكه گروهي دستكاري داده ها (GA-GMDH)، مي­باشد. هم چنين، با استفاده از تعدادي از پر كاربرد­ترين روش­هاي انتخاب متغير در ادبيات پيش­بيني ورشكستگي، مطالعه جامعي در جهت شناسائي بهترين متغير­هاي پيش­بيني كننده ورشكستگي شركت­هاي بورس اوراق بهادار تهران صورت گرفته است. به منظور ساخت مدل‌هاي پيش­بيني در ابتدا با استفاده از چهار روش انتخاب متغير 1-آزمون T نمونه­هاي مستقل (T-test)، 2- ماتريس همبستگي(CM) ، 3- تحليل تشخيصي گام به گام (SDA) و 4- تحليل مولفه­هاي اصلي (PCA)، نسبت­هاي مالي نهايي از بين 19 نسبت مالي متناسب با بازار سرمايه كشور، انتخاب شده است. با استفاده از نسبت‌هاي مالي انتخاب شده و مدل تركيبي GA-GMDH، شبكه عصبي- فازي تطبيق‌پذير ANFIS)) و رگرسيون لجستيك(LR)، 12 مدل جهت پيش­بيني ورشكستگي استخراج شد و نتايج حاصل از آن­ها مورد مقايسه قرار گرفت. نتايج حاصل از تحقيق، نشان دهنده قابليت بالاي مدل پيشنهادي GA-GMDH در مدل‌سازي پيش‌بيني ورشكستگي و برتري آن بر روش­هاي ANFIS وLR مي‌باشد. همچنين، نتايج تحقيق نشان مي­دهد كه روش ماتريس همبستگي در مقايسه با ساير روش‌هاي انتخاب متغير، توانايي بيشتري در انتخاب متغيرهاي موثر بر پيش‌بيني ورشكستگي شركت‌ها دارد. بنابراين، مدل CM-GA-GMDH به عنوان بهترين مدل پيش­بيني كننده ورشكستگي شركت‌هاي بورس اوراق بهادار تهران شناخته مي­شود.

This paper proposes a Soft Computing model for effective bankruptcy prediction, based on the integration of Group Method of Data Handling (GMDH) neural network and genetic algorithm which is called here as GA-GMDH. Genetic algorithm (GA) designs the whole architecture of the GMDH network and optimizes its topology. In order to demonstrate the effectiveness of our proposed GA-GMDH model, its performance was compared with performance of the commonly used statistical techniques of logistic regression (LR) and a relatively new artificial intelligent technique of Adaptive Neuro-Fuzzy Inference System (ANFIS). Performance of the designed prediction models depends on the utilized variable selection technique. Therefore, we constructed 12 prediction models through combining the four filtering feature selection methods and the three prediction models. The four feature selection methods of independent samples T-test, correlation matrix (CM), stepwise multiple discriminant analysis (SDA) and principal component analysis (PCA)are combined with prediction models to generate four optimal feature subsets. Empirical data were collected one year prior to failure from Tehran Stock Exchange (TSE) during 1997-2008. For robust assessing of prediction models’ performance, we applied Type-I and Type-II errors, and area under the receiver operative characteristics curve (AUC) measures. Experimental results indicate that our proposed GA-GMDH model has high ability in bankruptcy prediction problem and significantly outperforms ANFIS and LR models in all combinations with four feature selection methods. Meanwhile, the CM method has the best ability in selecting predictive variables in comparison with other feature selection methods. Therefore, CM-GA-GMDH model is determined as the best constructed model for bankruptcy prediction using our particular dataset from TSE.