مقاله ترجمه شده پیش بینی ورشکستگی برای شرکت های کوچک و متوسط که از مجموعه داده های به شدت نا متوازن استفاده می کنند.

مشخصات محصول
قیمت:49000تومان
دسته بندی:

سال نشر: ۲۰۲۰

نوع نگارش مقاله: علمی پژوهشی (Research articles)

تعداد صفحه انگلیسی: ۱۲  صفحه PDF

تعداد صفحه ترجمه فارسی:  ۳۴  صفحه WORD

دانلود رایگان مقاله انگلیسی

کد محصول: H569

نام ناشر (پایگاه داده): الزویر

نام مجله:   Economic Modelling

عنوان کامل فارسی:

مقاله انگلیسی ترجمه شده ۲۰۲۰ :  پیش بینی ورشکستگی برای شرکت های کوچک و متوسط که از مجموعه داده های به شدت نا متوازن استفاده می کنند.

عنوان کامل انگلیسی:

Bankruptcy prediction for small- and medium-sized companies using severely imbalanced datasets

چکیده فارسی:

پیش بینی ورشکستگی هنوز موضوع بسیار مهمی است که توجهات زیادی را به خود جلب می کند. اطلاعات موجود  در مورد تهدیدات ورشکستگی حتمی یک جنبه مهم در تصمیم گیری مدیران ، نهادهای مالی و سازمانهای دولتی است. در این مقاله ، ما از یک مجموعه داده جدید جمع آوری شده که شامل پارامترهای مالی برگرفته از گزارش های سالانه شرکت های کوچک و متوسط است، استفاده می کنیم. داده ها ، که نشان دهنده نسبت واقعی بین شرکت های ورشکسته و غیر ورشکسته است ، به شدت نامتوازن هستند و فقط بخش کوچکی از آن شامل شرکت های ورشکسته هستند. راه حل ما برای حل این سناریو چالش برانگیز مرتبط با یادگیری نامتوازن ، اتخاذ سه روش طبقه بندی منحصر به فرد بود: رویکرد حداقل مربعات برای تشخیص انحرافات ، الگوریتم جنگل ایزوله و ماشینهای بردار پشتیبانی یک طبقه برای مقایسه با ماشینهای بردار پشتیبانی متعارف. ما یک تجزیه و تحلیل جامع از ویژگی های مالی ارائه می دهیم و مواردی که بیشترین ارتباط را با پیش بینی ورشکستگی دارند ، شناسایی می کنیم. بالاترین عملکرد پیش بینی از نظر میانگین امتیاز هندسی ۹۱٪ است. نتایج در دو مجموعه داده مربوط به صنایع تولیدی و ساختمانی تأیید شده است.

واژه‌های کلیدی: ورشکستگی ، یادگیری نامتوزان ، تشخیص انحرافات ، گزارش های سالانه

Abstract

Bankruptcy prediction is still important topic receiving notable attention. Information about an imminent bankruptcy threat is a crucial aspect of the decision-making process of managers, financial institutions, and government agencies. In this paper, we utilize a newly acquired dataset comprising financial parameters derived from the annual reports of small- and medium-sized companies. The data, which reveal the true ratio between bankrupt and non-bankrupt companies, are severely imbalanced and only contain a small fraction of bankrupt companies. Our solution to overcome this challenging scenario of imbalanced learning was to adopt three oneclass classification methods: a least-squares approach to anomaly detection, an isolation forest, and one-class support vector machines for comparison with conventional support vector machines. We provide a comprehensive analysis of the financial attributes and identify those that are most relevant to bankruptcy prediction. The highest prediction performance in terms of the geometric mean score is 91%. The results are validated on two datasets from the manufacturing and construction industries.

Keywords: Bankruptcy, Imbalanced learning, Anomaly detection, Annual reports

تمامی حقوق مادی و معنوی ترجمه ها برای پارس ترجمه محفوظ می باشد

تمامی حقوق مادی و معنوی ترجمه ها برای پارس ترجمه محفوظ می باشد