نقش نسبتهای مالی تصویری در پیش‌بینی ورشکستگی شرکتها با استفاده از مدل شبکه‌های عصبی کانولوشن و مقایسه آن با مدلهای سنتی

نوع مقاله : مقاله علمی پژوهشی

نویسندگان

1 گروه حسابداری، دانشگاه آزاد اسلامی، واحد زاهدان، ایران، زاهدان

2 دانشگاه پیام نور، تهران

3 مدیر گروه حسابداری دانشگاه پیام نور استان تهران

4 گروه حسابداری، دانشکده مدیریت و حسابداری، دانشگاه سیستان و بلوچستان، زاهدان، ایران

چکیده

هدف: پژوهش حاضر با هدف بکارگیری نسبتهای مالی تصویری برای پیش بینی ورشکستگی شرکتها با استفاده از شبکه عصبی کانولوشن و مقایسه آن با مدلهای سنتی انجام گرفته است.
روش: دوره زمانی پژوهش 1388 تا 1397 و شرکتهای نمونه از بین شرکتهای پذیرفته شده در بورس اوراق بهادار تهران و در قالب دو گروه شامل 66 شرکت ورشکسته و 66 شرکت غیر ورشکسته انتخاب شدند. از آنجا که کار شبکه عصبی کانولوشن شناخت تصاویر از بین تصاویر موجود است لذا ابتدا نسبتهای مالی به عنوان داده های پژوهش از طریق نرم افزار متلب 2019 به تصویر تبدیل و سپس با کمک شبکه عصبی کانولوشن و تحت معماری گوگل نت اقدام به تشخیص و پیش بینی وضعیت شرکتهای نمونه گردید.
یافته ها: نتایج حاصل از تحلیل یافته‌ها نشان داد که مدل شبکه‌های عصبی کانولوشن در پیش بینی و شناخت از روی تصاویر، پیش بینی درستی با دقت 50 درصد از بین شرکتها انجام داد. از طرفی جهت تقویت نتایج و تعیین اثربخشی فرضیه اول سه فرضیه دیگر نیز جهت مقایسه شامل مدل آلتمن، اسپرینگیت و زیمسکی مطرح گردید که نتایج هرسه نشان دهنده عدم تایید دقت بالاتر مدل کانولوشن نسبت به این سه مدل بود.
نتیجه گیری: این نتایج نشان دهنده این است که پیشرفت در رایانه و استفاده از یادگیری عمیق که به نوعی بهبود در هوش مصنوعی محسوب می‌گردد بر پیش بینی ورشکستگی از طریق نسبتهای مالی تصویری تاثیرگذار است. با این وجود در قالب آزمون های تحکیم بخشی به نتایج آزمون فرضیه اول سه مدل کاربردی پیش بینی ورشکستگی شامل مدل آلتمن (1983)، اسپرینگیت (1978) و زیمسکی (1984) آزمون گردید که نتایج هر سه این مقایسه قوی تر بودن دقت مدل کانولوشن با این سه مدل را مورد تایید قرار نداد.

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

Imaged financial Ratios and Bankruptcy Prediction using Convolutional Neural Networks and comparison with traditional models

نویسندگان [English]

  • abbasali haghparast 1
  • alireza momeni 2
  • AZIZ GORD 3
  • fardin mansouri 4
2 payam noor university, thehran
3 payamnoor university, tehran
4 department of accounting, sistan and balouchestan univrsity, iran, zahedan
چکیده [English]

Objective: Convolutional neural networks (CNN)are being applied to identification problems in a variety of fields, and in some areas are showing higher discrimination accuracies than conventional methods. Applications of convolutional neural networks to financial analyses have only been reported in a small number of studies because it seems to be that convolutional neural networks are more suitable for application to images and less suitable for general numerical data including financial state ments. Hence, in this research, an attempt is made to apply a convolutional neural network to the prediction of corporate bankruptcy and comparise to traditional models.
Methods: The financial statements ratios has been choiced 66 companies that have been delisted from the Iran Stock Market due to de facto bankruptcy as well as the financial statements of 66 listed companies over 2000 to 2019 financial periods. In this method, a set of financial ratios are derived from the financial statements and represented as a grayscale image. The image generated by this process is utilized for training and testing a convolutional neural network. The images for the bankrupt and continuing enterprises classes are used for training the convolutional neural network based on GoogLeNet. In this research, it generates as many financial ratios as possible from the financial statements of each company in each fiscal year and express the set of ratios as a single grayscale image. To achieve this, each financial ratio is made to correspond to a specific pixel position (x,y-coordinates) and the brightness value of that pixel is set based on the value of the corresponding financial ratio. The images generated with this process are then used as input to train the CNN.
Results: The findings shows, in prediction of going concern of firms, Convolutional neural network has predicted with 50 percent of precision. This means that 50 percent of continues firms and 50 percent of bankrupt firms has been predicted precisely. In other hands, to strengthening the findings, three traditional model comprise to Convolutional neural networks and findings show that precise in traditional models is higher to Convolutional neural networks.
Conclusion: Convolution networks can predict bankruptcy by inputting financial ratios as an image. Convolution-network-based bankruptcy prediction does not outperforms traditional models as altman (1983),Springate (1978) and Zmijewski (1984). However, unlike some conventional methods, it is hard to know from the proposed method which of the financial ratios has a stronger impact on bankruptcy prediction. Therefore, we have to admit that the proposed method is not suitable for the purpose of investigating the causes of bankruptcy.

کلیدواژه‌ها [English]

  • Convolutional neural networks
  • Imaged financial Ratios
  • Bankruptcy Prediction, traditional models