مقاله ترجمه شده پیش بینی ورشکستگی با استفاده از نسبت های مالی تصویر شده و شبکه های عصبی کانولوشن

دسته بندی: -

قیمت: 34000 تومان

تعداد نمایش: 347 نمایش

ارسال توسط:

خرید این محصول:

پس از پرداخت لینک دانلود برای شما نمایش داده می شود.

سال نشر: ۲۰۱۹

نوع نگارش مقاله: علمی پژوهشی (Research articles)

تعداد صفحه انگلیسی: ۴۰  صفحه PDF

تعداد صفحه ترجمه فارسی:  ۳۶  صفحه WORD

دانلود رایگان مقاله انگلیسی

کد محصول: H422

نام ناشر (پایگاه داده): الزویر

نام مجله:   Expert Systems With Applications

عنوان کامل فارسی:

مقاله انگلیسی ترجمه شده ۲۰۱۹ :  پیش بینی ورشکستگی با استفاده از نسبت های مالی تصویر شده و شبکه های عصبی کانولوشن

عنوان کامل انگلیسی:

Bankruptcy prediction using imaged Þnancial ratios and convolutional neural networks

چکیده فارسی:

شبکه های عصبی کانولوشن برای شناسایی مشکلات در زمینه های مختلف مورد استفاده قرار می گیرند و در بعضی از سطوح، دقت بالاتری از روش های معمول دارد. با این حال، استفاده از شبکه های عصبی کانولوشن در تحلیل های مالی تنها در تعداد کمی از مطالعات در مورد پیش بینی تحرکات قیمت سهام گزارش شده است. به نظر می رسد دلیل این امر این است که شبکه های عصبی کانولوشن مناسب برای کاربرد در تصاویر هستند و کمتر برای داده های عددی کلی از جمله صورت های مالی استفاده می شود. از این رو، در این تحقیق، برای اعمال یک شبکه عصبی کانولوشن برای پیش بینی ورشکستگی شرکت ها ، که در بیشتر موارد به عنوان یک مسئله طبقه بندی دو کلاسه تلقی شده، تلاش می شود. از صورت های مالی (ترازنامه ها و صورت های سود و زیان) ۱۰۲ شرکت که از بازار سهام ژاپن به علت ورشکستگی واقعی خارج شده بودند و صورت های مالی ۲۰۶۲ شرکت که در چهار دوره مالی متوالی در بورس بودند ، استفاده شد. در روش پیشنهادی ما مجموعه ای از نسبت های مالی از صورت های مالی به دست می آید و به عنوان یک تصویر با مقیاس خاکستری ارائه می شود. تصویر تولید شده توسط این فرآیند برای آموزش و آزمایش یک شبکه عصبی کانولوشن استفاده می شود. علاوه بر این، اندازه مجموعه داده با استفاده از میانگین وزنی برای ایجاد نقاط داده ترکیبی افزایش می یابد. در مجموع ۷۵۲۰ تصویر برای طبقه بندی شرکت های ورشکسته و مستمر(شرکت هایی که به کار خود ادامه می دهند) برای آموزش شبکه عصبی کانولوشن بر اساس GoogleLeNet استفاده می شود. پیش بینی های ورشکستگی از طریق شبکه آموزش دیده نشان از عملکرد بالاتر این روش در مقایسه با روش های درخت تصمیم گیری، تجزیه و تحلیل تفکیک خطی ، ماشین های بردار پشتیبانی، پرسپترون چند لایه ای، AdaBoost، و یا Altman’s Z ,دارد.

کلید واژه ها: یادگیری عمیق؛ شکست کسب و کار؛ گزارشگری مالی؛ تصویرسازی

Abstract

Convolutional neural networks are being applied to identification problems in a variety of fields, and in some areas are showing higher discrimination accuracies than conventional methods. However, applications of convolutional neural networks to financial analyses have only been reported in a small number of studies on the prediction of stock price movements. The reason for this seems to be that convolutional neural networks are more suitable for application to images and less suitable for general numerical data including financial statements. Hence, in this research, an attempt is made to apply a convolutional neural network to the prediction of corporate bankruptcy, which in most cases is treated as a two-class classification problem. We use the financial statements (balance sheets and profit-and-loss statements) of 102 companies that have been delisted from the Japanese stock market due to de facto bankruptcy as well as the financial statements of 2062 currently listed companies over four financial periods. In our proposed 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. Moreover, the size of the dataset is increased using the weighted averages to create synthetic data points. A total of 7520 images for the bankrupt and continuing enterprises classes are used for training the convolutional neural network based on GoogLeNet. Bankruptcy predictions through the trained network are shown to have a higher performance compared to methods using decision trees, linear discriminant analysis, support vector machines, multi-layer perceptron, AdaBoost, or Altman’s Z′′-score.

Keywords: Deep learning; business failure; financial statement; imagin