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 دانشجوی دکتری، گروه حسابداری، واحد بین‎المللی چابهار، دانشگاه آزاد اسلامی، چابهار، ایران.

2 استادیار، گروه حسابداری، دانشگاه پیام نور، تهران، ایران.

3 استادیار، گروه حسابداری، دانشگاه سیستان و بلوچستان، زاهدان، ایران.

چکیده

هدف: هدف پژوهش حاضر، آزمون به‎کارگیری نسبت‎های مالی تصویری برای پیش‎بینی ورشکستگی شرکت‎ها با استفاده از شبکه عصبی کانولوشن و مقایسۀ آن با مدل‎های سنتی است.
روش: دوره زمانی پژوهش 1388 تا 1397 بوده است. 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 شده‎اند. از آنجا که کار شبکه عصبی کانولوشن شناخت تصاویر از بین تصاویر موجود است، ابتدا نسبت‎های مالی به‎عنوان داده‎های پژوهش از طریق نرم‎افزار متلب 2019 به تصویر تبدیل شد، سپس به‎کمک شبکه عصبی کانولوشن و تحت معماری گوگل‎نت به تشخیص و پیش‎بینی وضعیت شرکت‎های نمونه اقدام شد.
یافته‌ها: مدل شبکه­های عصبی کانولوشن از روی تصاویر، با دقت 50 درصد شناخت و پیش‎بینی درستی انجام دادند. از طرفی، برای تقویت نتایج و تعیین اثربخشی فرضیه نخست، سه فرضیه دیگر نیز برای مقایسه مدل‎های آلتمن، اسپرینگیت و زیمسکی مطرح شد که نتایج هر سه نشان‎دهندۀ عدم تأیید دقت بیشتر مدل کانولوشن در مقایسه با این سه مدل بود.
نتیجه‌گیری: پیشرفت در رایانه و استفاده از یادگیری عمیق که به نوعی بهبود در هوش مصنوعی محسوب می‎شود، بر پیش‎بینی ورشکستگی از طریق نسبت‎های مالی تصویری تأثیرگذار است. با وجود این، برای تحکیم نتایج آزمون فرضیۀ اول، سه مدل کاربردی پیش‎بینی ورشکستگی شامل مدل آلتمن (1983)، اسپرینگیت (1978) و زیمسکی (1984) آزمون شد که نتایج هر سه دقت بیشتر مدل کانولوشن را در مقایسه با این سه مدل تأیید نکرد.

کلیدواژه‌ها

عنوان مقاله [English]

The Role of Visual Financial Ratios in Predicting Corporate Bankruptcy Using Convolutional Neural Network Models and Comparing them with Traditional Models

نویسندگان [English]

  • Abbasali Haghparast 1
  • Alireza Momeni 2
  • Aziz Gord 2
  • Fardin Mansoori 3
1 Ph.D. Candidate, Department of Accounting, Chabahar International Branch, Islamic Azad University, Chabahar, Iran.
2 Assistant Prof., Department of Accounting, Payam noor University, Tehran, Iran.
3 Assistant Prof., Department of Accounting, Sistan and Balouchestan University, Zahedan, Iran.
چکیده [English]

Objective: The purpose of this study is to test the use of visual financial ratios to predict the bankruptcy of companies using a convolutional neural network and compare it with traditional models.
Methods: The research period was 2009 to 2018. The sample companies have been selected from the ones which were listed on the Tehran Stock Exchange in two groups of bankrupt companies (66) and non-bankrupt companies (66). Since the work of convolution neural network is to recognize images from existing images, first the financial ratios were converted into images as research data through MATLAB 2019 software, then, the situation of the sample companies were predicted and diagnosed with the help of convolution neural network and under Google net architecture.
Results: Convolutional neural network models performed accurate images and predictions with 50% accuracy. On the one hand, in order to strengthen the results and determine the effectiveness of the first hypothesis, three other hypotheses were proposed to be compared to Altman, Spring-gate and Zimski models. The results of all three indicated that the convolution model was not confirmed as accurate compared to these three models.
Conclusion: Advances in computers and the use of deep learning, which is a kind of improvement in artificial intelligence, affect the prediction of bankruptcy through visual financial ratios. However, to consolidate the test results of the first hypothesis, three practical models of bankruptcy prediction including Altman (1983), Springgate (1978) and Zimski (1984) were tested, the results of which did not confirm the accuracy of the convolution model compared to these three models.

کلیدواژه‌ها [English]

  • Visual financial ratios
  • corporate bankruptcy forecast
  • convolution neural network model

مراجع

ابراهیمی کردلر، علی؛ اعرابی، مهران (1390). بررسی کاربرد مدل‌های پیش‌بینی ورشکستگی در پیش‌بینی نکول تسهیلات اعطایی به شرکت های پذیرفته شده در بورس اوراق بهادار تهران (مطالعه موردی بانک سپه). تحقیقات حسابداری و حسابرسی, 3(12)، 52-63. doi: 10.22034/iaar.2011.104712
احمدی امین، الهه؛ تحریری، آرش (1398). تأثیر انتقال ورشکستگی در صنعت بر محتوای اطلاعاتی سود شرکت‌ها. بررسی‎های حسابداری و حسابرسی، 26(1)، 1- 18.
باقری، حسین علی؛ خدائی، عاطفه (1396). یادگیری عمیق در MATLAB (یادگیری ماشین، شبکه‎های عصبی و هوش مصنوعی). نشر نیاز دانش.
حسن‎پور، سید حسین (1395). آموزش شبکه کانولوشن، بخش اول. آدرس دسترسی: www.forum.ustmb.ir
دهخدا، علی اکبر (1377). لغت‎نامه دهخدا. جلد اول. (چاپ 1). انتشارات مؤسسه انتشارات و چاپ دانشگاه تهران.
ﺳﺮاﻓﺮاز، ﺳﺎﻧﺎز؛ ﺻﻔﺘﯽ، ﻓﺮﯾﺪ؛ ﻏﯿﺎﺛﻮﻧﺪ، ﻋﻠﯿﺮﺿﺎ (1395). ﭘﯿﺶ‌ﺑﯿﻨﯽ ﻗﯿﻤﺖ ﺳﻬﺎم ﺑﺎ ﺷﺎﺧﺺ ﻫﺎی ﺑﺎزاری ﻫﯿﺒﺮﯾﺪی (ﺗﺮﮐﯿﺒﯽ) ﺑﺎ اﺳﺘﻔﺎده از ﻣﺪل ﻋﺼﺒﯽ ﻓﺎزی. ﮐﻨﻔﺮاﻧﺲ ﺑﯿﻦ‎اﻟﻤﻠﻠﯽ ﭘﮋوﻫﺶ‌ﻫﺎی ﻧﻮﯾﻦ در ﻣﺪﯾﺮﯾﺖ، اﻗﺘﺼﺎد و ﺣﺴﺎﺑﺪاری.
ﺳﻠﻴﻤﺎﻧﻲ، ﻏﻼﻣﺮﺿﺎ (1389). ارزﻳﺎﺑﻲ ﻛﺎراﻳﻲ اﻟﮕﻮﻫﺎی ﭘﻴﺶ‌ﺑﻴﻨﻲ ﺑﺤﺮان ﻣﺎﻟﻲ ﺑﺮای شرکت‌های اﻳﺮاﻧﻲ. ﻣﺠﻠﻪ داﻧﺶ ﺣﺴﺎﺑﺪاری، 1(2)، 139- 158.
عاشوری، محمدرضا (1397). تصویر، ویکی (دایره المعارف رایگان و آنلاین) طراحی و تبلیغات. آدرس دسترسی: www.agerin.ir
عسگری آلوج، حسین؛ نیک‎بخت، محمدرضا؛ کرمی، غلامرضا؛ مؤمنی، منصور (1398). توسعه مدل بنیش با ترکیب شبکه‌های عصبی مصنوعی و الگوریتم بهینه‌سازی حرکت تجمعی ذرات برای پیش‌بینی دستکاری سود. بررسی‎های حسابداری و حسابرسی، 26 (4)، 615-638.
غضنفری، مهدی؛ رحیمی کیا، اقبال؛ عسکری، علی (1397). پیش‌بینی ورشکستگی شرکت‌ها مبتنی بر سیستم‌های هوشمند ترکیبی. فصلنامه پژوهش­های حسابداری مالی و حسابرسی، 10(37)، 159-194.
ﻛﺮﺩﺳﺘﺎﻧﻲ، ﻏﻼﻣﺮﺿﺎ؛ ﺗﺎﺗﻠﻲ، رشید (1393). ﺍﺭﺯﻳﺎﺑﻲ ﺗﻮﺍﻥ ﭘﻴﺶ‌ﺑﻴﻨﻲ ﻣﺪﻝ‌ﻫﺎﻱ ﻭﺭﺷﻜﺴﺘﮕﻲ (ﻣﻘﺎﻳﺴﻪ ﻣﺪﻝ‌ﻫﺎﻱ ﺍﻭﻟﻴﻪ ﻭ ﺗﻌﺪﻳﻞ ﺷﺪﻩ). مجله دانش حسابرسی، ۱۴ (۵۵)، 51- 70.
محمدی، شاپور؛ راعی، رضا؛ رحیمی، محمدرضا (1397). پیش‌بینی دامنه تغییرات طلا با استفاده از مدل ترکیبی ARIMA و شبکه عصبی. مجله مهندسی مالی و مدیریت اوراق بهادار، 34، 335- 357.
واعظ قاسمی، محسن؛ رمضان‌پور، سعید، (1397). پیش­بینی ورشکستگی شرکت‌های پذیرفته‌شده در سازمان بورس و اوراق بهادار با استفاده از شبکه عصبی مصنوعی. فصلنامه دانش سرمایه‌گذاری، 26، 277- 296.
 
References
 
Agarwal, A. and Patni, I. (2019) Bankruptcy Prediction Models: An Empirical Comparison. International Journal of Innovative Technology and Exploring Engineering (IJITEE) 8(6S2), 131- 139.
Ahmadi Amin, E., & Tahriri, A. (2019). The Effect of Bankruptcy Contagion on Earnings Informativeness. Journal of Accounting and Auditing Review, 26(1), 1-18. (in Persian)
Altman, E. I. (1968). Financial ratios, discriminant analysis and the prediction of corporate bankruptcy, The Journal of Finance 23 (4), 589-609.
Asgari Alouj, H., Nikbakht, M.R., Karami, GH., & Momeni, M. (2019). Development of the Beneish Model by Combining Artificial Neural Network and Particle Swarm Optimization Algorithm for Earnings Management Prediction. Accounting and Auditing Review, 26(4), 615-638. (in Persian)
Ashoori, M. R. (2019). Picture, Viki (free and online dictionary), design and Advertising. Available in:  www.agerin.ir. (in Persian)
Bagheri, H. A. and Khodaee, A. (2018) Deep learning in MATLAB with machine learning, neural networks and Artificial Intelligence. (in Persian)
Dehkhoda, A.A. (2019). Persian Dictionary,  Vol. 1, (1th ed). University of Tehran Publishing. (in Persian)
Ding, X., Zhang, Y., Liu, T., Duan, J. (2015). Deep learning for event-driven stock prediction. Proceedings of the 24th International Joint Conference on Artificial Intelligence, 2327–2333.
Ebrahimi Kordlor, A., Arabi, M. (2011). Application of Bankruptcy Predictive Models (Altman, Falmer, Springit, Zimski & Shirata) to Predicting Failure to Grant Companies to the Tehran Stock Exchange (Case Study: Bank Sepah). Accounting and Auditing Research, 3(12), 52-63. doi: 10.22034/iaar.2011.104712
Ghazanfari, M., Rahimikia, E. and Askari, A. (2018). Bankruptcy prediction of companies based on hybrid intectual systems. Quarterly journal of financial accounting and auditing, 10(37), 159-194. (in Persian)
Goehring, M. (2007). Balance sheets: Getting the picture of your Co-ops financial position. www.columinate.coop
Hardinata, L., Warsito, B. and Suparti, S. (2017). Bankruptcy prediction based on financial ratios using Jordan Recurrent Neural Networks: a case study in Polish companies. Journal of Physics: Conference Series, 1025(1), 012098.
Hasanpoor, S. H. (2016). Convolutional Networks. Section one. www.forum.ustmb.ir
Hosaka, T. (2018). Bankruptcy prediction using imaged financial ratios and convolutional neural networks. Available in: https://www.rs.tus.ac.jp/hosaka-t/img/file3.pdf
Hu, H., Tang, L., Zhang, Sh. and Wang, H. (2018). Predicting the direction of stock markets using optimized neural networks with Google Trends, Neuro computing, 285, 188-195, ISSN 0925-2312, https://doi.org/10.1016/j.neucom.2018.01.038.
Jadhav, S., Dange, B. & Shikalgar, S. (2018). Prediction of Stock Market Indices by Artificial Neural Networks Using Forecasting Algorithms. In International Conference on Intelligent Computing and Applications (pp. 455-464). Springer, Singapore.
Jordin, D.P. (2018). Failure pattern – based ensembles applied to bankruptcy forecasting. Journal of Decision Support Systems, 107, 64-77.
Kordestani, Gh. and Tatli, R. (2014). The Evaluation of prediction ability of Bankruptcy models: primary versus adjusted models. Auditing Knowledge Journal, 55, 51-70.    
Krizhevsky, A., Sutskever, I., Hinton, G.E. (2012). Imagenet classification with deep convolutional neural networks. Proceedings of Neural Information Processing Systems.
Lin, M., Chen, Q., Yan, S. (2013). Network in network. arXiv:1312.4400
Marcjasz, G., Uniejewski, B. & Weron, R. (2018). On the importance of the long-term seasonal component in day-ahead electricity price forecasting with NARX neural networks. International Journal of Forecasting, 35(4), 1520-1532.
Mohammadi, Sh., Raeie, R. & Rahimi, R. (2018). Interval Forcasting for Gold Price with hybrib model of ARIMA and Artificial Neural Network. The Journal of Portfolio Management and Financial Engineering, (34), 335-357. (in Persian)
Ohlson, J. A. (1980). Financial ratios and the probabilistic prediction of bankruptcy. Journal of Accounting Research, 18 (1), 109–131.
Sarafraz, S., Sefati, F. and Ghiasvand, A. (2016). Predicting stock prices with hybrid market indices using a fuzzy neural model. International Conference on Modern Research in Management, Economics and Accounting. (in Persian)
Soleimany, G. (2012). Investigating of the Efficiency of Financial Distress Prediction Models in Iranian companies. Accounting Knowledge, 1(2), 139- 160. (in Persian)
Szegedy, C., Liu, W., Jia, Y., Sermanet, P., Reed, S., Anguelov, D., Erhan, D., Vanhoucke, V., Rabinovich, A. (2015). Going deeper with convolutions. Proceedings of IEEE Conference on Computer Vision and Pattern Recognition.
Tan, L., Wang, S. & Wang, K. (2017). A new adaptive network-based fuzzy inference system with adaptive adjustment rules for stock market volatility forecasting. Information Processing Letters, 127, 32-36.
Vaez-Ghasemi, M. & Ramezanpour Chardeh, S. (2018). Predicting bankruptcy of companies listed on the Stock Exchange using the artificial neural network. The Journal of Investment Knowledge, (26), 277-296. (in Persian)
بررسی‏‌های حسابداری و حسابرسی
دوره 28، شماره 3
1400
صفحه 553-573

فایل ها

هم رسانی

ارجاع به این مقاله

آمار