شبکه های عصبی تبعیض آمیز برای پیش بینی ورشکستگی و ارزیابی ریسک

قیمت: 44,000 تومان

دانلود رایگان مقاله

خرید ترجمه مقاله

عنوان فارسی

شبکه های عصبی تبعیض آمیز برای پیش بینی ورشکستگی و ارزیابی ریسک

عنوان لاتین

Hybrid Discriminant Neural Networks for bankruptcy prediction and risk scoring

تعیین خطر شکست شرکت با استفاده از صورتهای مالی یکی از موضوعات جالب برای سرمایه گذاران و تصمیم گیرندگان بوده است. متغیرهای تبعیض آمیز که می توانند برای پیش بینی سلامت شرکت انتخاب شوند بطور قابل توجهی بر صحت مدلها تاثیر گذاشته بویژه اگر که داده های ناپیدا در دسترس باشند. مدل ترکیبی شبکه های عصبی به منظور بررسی خطر شکست شرکتهای مراکش با در نظر گرفتن دسترسی و قابلیت اطمینان اطلاعات توسعه می یابد. بر اساس تجزیه و تحلیل سه مرحله ای، این روش ترکیبی از تجزیه و تحلیل تبعیض آمیز، شبکه عصبی چند لایه و نقشه های خودسازمانده می باشد. این مدل ترکیبی، رفتار شرکتها را در طول 3 سال درنظر گرفته تا خطر شکست را پیش بینی کند. این مدل به عنوان یک مدل پویا تعیین شده زیرا با محیط مالی و دسترسی به اطلاعات سازگار است. این مدل تجزیه و تحلیل تبعیض آمیز را بهتر انجام می دهد و یک ابزار مانیتورینگ بصری را برای نظارت بر پورتفلیوی شرکتها ارائه می دهد.

Determining the firm risk failure using financial statements has been one of the most interesting subjects for investors and decision makers. The discriminant variables that can be selected to predict firm health influence significantly the accuracy of the models especially if we have a missing data available. We developed a hybrid model of neural networks to study the risk of failure of Moroccan firms taking into account the data availability and reliability. Based on a three-step analysis, this methodology combines discriminant analysis, multilayer neural network and self-organizing-maps. This hybrid model considers the firms’ behavior during three years to predict risk failure. It is qualified as a dynamic model because it adapts to financial environment and data availability. The model outperforms Discriminant analysis and gives a visual monitoring tool to supervise a firms’ portfolio.