انتشارات دانشگاه تهران بررسی‏‌های حسابداری و حسابرسی 2645-8020 15 4 2009 02 19 Support Vector Machines Application in Financial Distress Prediction of Companies Using Financial Ratios کاربرد ماشین بردار پشتیبان در پیش‌بینی درماندگی مالی شرکت‌ها با استفاده از نسبت‌های مالی 27750 FA رضا راعی سعید فلاح پور Journal Article 1970 01 01 The development of the bankruptcy or financial distress prediction model has long been regarded as an important research in the academic and business entities. Financial distress of companies imposes many costs to the companies. One method that can help companies to prevent from financial distress is prediction of financial distress. This prediction also can help banks and other financial institution to have better credit scoring and rating systems. In this study we used Support Vector Machines (SVM) for predicting financial distress of companies and Logistic Regression (LR) as a comparative method. We found that SVM has a better performance than LR. Results show that SVM not only has a better accuracy rate of prediction but also has a better generalization power. استفاده از نسبت‌های مالی برای پیش بینی درماندگی مالی یا ورشکستگی شرکت‌ها، همیشه مورد توجه دانشگاهیان و بنگاه های اقتصادی، بویژه بانک‌ها و سایر نهادهای مالی بوده است. پیش‌بینی به موقع می تواند تصمیم گیران را در یافتن راه حل و پیشگیری از درماندگی مالی، یاری نماید. همچنین، این مدل‌ها کاربرد بسیار زیادی در رتبه بندی اعتباری و نحوه توزیع تسهیلات بانکی دارد. همواره سعی شده است تا دقت پیش بینی این مدل‌ها با استفاده از روش‌های پیشرفته‌تر بهبود یابد. در این پژوهش که هدف اصلی آن بررسی کارایی استفاده از ماشین بردار پشتیبان (SVM) در پیش‌بینی درماندگی مالی شرکت‌ها بوده است، نتایج مدل SVM در مقایسه با مدل آماری رگرسیون لجستیک (LR) بررسی شده است. یافته‌های تحقیق حاکی از آن است که در پیش‌بینی درماندگی مالی شرکت‌ها، مدل SVM نسبت به مدل LR بطور معناداری، از دقت کلی بیشتری برخوردار است. بررسی‌های انجام شده نشان می‌دهد که مدل SVM نسبت به مدل LR، نه تنها از دقت کلی بهتری برخوردار است، بلکه توانایی بالاتری نیز در تعمیم‌پذیری دارد. https://acctgrev.ut.ac.ir/article_27750_f4a5001ccd5d3c099bcc4447cc8f9a64.pdf