پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 161 |
| تعداد شمارهها | 6,564 |
| تعداد مقالات | 70,850 |
| تعداد مشاهده مقاله | 125,006,966 |
| تعداد دریافت فایل اصل مقاله | 98,236,729 |
کاربرد ماشین بردار پشتیبان در پیشبینی درماندگی مالی شرکتها با استفاده از نسبتهای مالی | ||
| بررسیهای حسابداری و حسابرسی | ||
| مقاله 2، دوره 15، شماره 4 - شماره پیاپی 1000364، اسفند 1387 اصل مقاله (192.8 K) | ||
| نویسندگان | ||
| رضا راعی؛ سعید فلاح پور* | ||
| چکیده | ||
| 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. | ||
| کلیدواژهها | ||
| امتیاز دهی و رتبه بندی اعتباری؛ درماندگی مالی؛ رگرسیون لجستیک؛ ماشین بردار پشتیبان؛ ورشکستگی | ||
| عنوان مقاله [English] | ||
| Support Vector Machines Application in Financial Distress Prediction of Companies Using Financial Ratios | ||
| چکیده [English] | ||
| 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. | ||
| کلیدواژهها [English] | ||
| bankruptcy, Credit Scoring & Rating, Financial distress, Logistic regression, Support Vector Machines | ||
|
آمار تعداد مشاهده مقاله: 3,950 تعداد دریافت فایل اصل مقاله: 8,095 |
||
سامانه مدیریت نشریات علمی. قدرت گرفته از سیناوب