دانلود ترجمه مقاله پیش بینی ورشکستگی با استفاده از نسبت های مالی تصویری

1. مقدمه 2. داده ها 3. روش پیشنهادی 4. آزمایشات ارزیابی و بحث و بررسی 5. نتیجه گیری

مقدمه: پیش بینی دقیق عملکرد آینده شرکت برای سرمایه گذاران جهت کسب سود در معاملات اوراق بهادار مهم می باشد. یک مثال از این پیش بینی، احتمال ورشکستگی شرکت می باشد. زمانیکه شرکتها دچار ورشکستگی می شوند، احتمال بالایی وجود دارد که از بورس اوراق بهادار خارج شوند، و این نیز تاثیر قابل توجهی بر سرمایه گذاران دارد. بنابراین، در بورس اوراق بهادار شرکتهایی که در خطر بالای خروج از بورس قراردارند، بعنوان سهام تحت نظارت تلقی می شوند. شناسایی علائم ورشکستگی در مرحله اول برای سرمایه گذاران سودمند است. تحقیقات قبلی در زمینه پیش بینی ورشکستگی با استفاده از یادگیری ماشینی: تحقیقات زیادی درباره پیش بینی ورشکستگی با استفاده از شناسایی الگو یا یادگیری ماشینی اجرا شده است. درسال 1968، آلتمن به بررسی عملکرد تحلیل تشخیص خطی 22 نسبت مالی پرداخت که براساس دانش حسابداری انتخاب شده بودند و مدل پیش بینی ارائه کردند که پنج نسبت مالی را پیشنهادمی داد. از آن به بعد، مدلهای پیش بینی غیرخطی با استفاده از رگرسیون لجستیک (اولسون 1980)، شبکه های عصبی (اودوم و شادرا 1990، بردارت 201)، ماشین بردار پشتیبان (SVM) (شین، لی و کیم 2005؛ لی و سان 2009) و AdaBoost (الفالو، گارسیا، گامز و الیزوندو 2008؛ راماکریشنان، میرزایی و بکیر 2015) پیشنهاد شدند. علاوه بر الگوریتم ژنتیک (باک، لایتینین و سره 1996؛ گوردینی 2014) که معمولا در مسئله بهینه سازی استفاده می شود، استدلال مبتنی بر مورد (برایانت، 1998؛ سارتوری مازوچلی و گرگوری 2016) جهت کسب قانون تصمیم گیری برای ورشکستگی اعمال می شود. تحقیقات موجود درباره پیش بینی ورشکستگی به تعریف چندین شاخص مالی (در اغلب موارد، سه تا پنج شاخص) می پردازند که برای ارائه مدلهای پیش بینی مفید می باشند. یک مسئله بالقوه درباره روشهای موجود این است که شاخص های مالی مناسب برای شناسایی را نمی توان نادیده گرفت چون رابطه غیرخطی پیچیده ای با احتمال ورشکستگی دارند. شیراتا (1998) روشهای آماری را برای انتخاب شاخص های مالی اعمال کرده است تا از این مسئله اجتناب کند. وی از الگوریتم درخت رگرسیون و طبقه بندی (CART ) برای انتخاب چهار شاخص مالی استفاده کرد که برای پیش بینی ورشکستگی از میان 61 شاخص مالی مناسب از دیدگاه حسابداری موثر می باشند و توابع تشخیصی خطی با استفاده از این چهار متغیر را استخراج کرد. با این حال، انتخاب شاخص های مالی و ارائه مدل پیش بینی از طریق یادگیری ماشینی فرایندهای مجزایی می باشند؛ بنابراین، این مسئله وجود دارد که بهینگی دقت پیش بینی برای روش کل را نمی توان تضمین کرد.

Introduction: An accurate prediction of the future performance of an enterprise is important for investors to generate profits in securities trading. One typical example of such a prediction is the probability of a company going bankrupt. When companies fall into bankruptcy, there is a high possibility that they will be delisted, which has a major impact on investors. Hence, in stock exchanges, companies that are at high risk of being delisted are designated as supervised stocks. It is thus extremely beneficial for investors to recognize the signs of bankruptcy at an early stage. Previous research on bankruptcy prediction using machine learning: Much research on bankruptcy prediction has been performed using pattern recognition or machine learning. In 1968, Altman (1968) investigated the performance of linear discriminant analysis for 22 financial ratios that he selected based on his knowledge of accounting and constructed a prediction model using five of the financial ratios. Since then, non-linear prediction models using logistic regression (Ohlson, 1980), neural networks (Odom and Sharda, 1990; Br´edart, 2014), support vector machines (SVM) (Shin, Lee, and Kim, 2005; Li and Sun, 2009), and AdaBoost (Alfalo, Garc´ıa, G´amez, and Elizondo, 2008; Ramakrishnan, Mirzaei, and Bekri, 2015) have been proposed. Besides the genetic algorithm (Back, Laitinen, and Sere, 1996; Gordini, 2014) which is usually utilized in optimization problem, and case-based reasoning (Bryant, 1998; Sartori, Mazzucchelli, and Gregorio, 2016) have been applied to acquiring the decision rule for bankruptcy. The existing research on bankruptcy prediction manually defines several (in most cases, around three to five) financial indicators which are useful for constructing prediction models. One potential problem with existing methods is that financial indicators which are potentially suitable for identification may be incorrectly passed over, as they have a complex non-linear relationship with the probability of bankruptcy. Shirata (1998) has applied statistical methods to the selection of financial indicators to avoid this problem. She used the Classification and Regression Tree (CART) algorithm to select four financial indicators which are effective for bankruptcy prediction, out of the 61 financial indicators deemed appropriate from an accounting viewpoint, and derived linear discriminant functions using these four variables. However, the selection of the financial indicators and the construction of the prediction model via machine learning are separate processes; hence, there remains the problem that the optimality of the prediction accuracy for the method as a whole cannot be guaranteed.

بخشی از ترجمه مقاله (صفحه 18 و 19 فایل ورد ترجمه)