بررسی اثر بکارگیری روش بهینهسازی دستهجمعی ذرات در بهبود قابلیت پیشبینی ورشکستگی با استفاده از شبکههای عصبی

(اطلاعات نویسنده سوم با تایید دبیرخانه همایش اضافه شد)یکی از روشهای رایج در پیشبینی ورشکستگی استفاده از مدلهای شبکههای عصبی است. در میان روشهای شبکههای عصبی، روش پرسپترون چندلایه یک الگوریتم یادگیری تحت نظارت است که توان بالایی برای پیشبینی و طبقهبندی مسائل دارد. مدل مذکور عاری از نقصان نبوده و با توقف در نقاط بهینه محلی از پیدا کردن نقاط بهینه سراسری بازمیماند. برای رفع این نقیصه در تحقیق حاضر از روش بهینهسازی دستهجمعی ذرات برای بهینه کردن شبکه عصبی پرسپترون چندلایه استفادهشده است. جامعه آماری این پژوهش به دو گروه شرکتهای سالم و ورشکسته تقسیم میشود. نمونه استفادهشده شامل 60 شرکت ورشکسته و 60 شرکت سالم برای سالهای 1383 تا 1391 است. شرکتهایی که مشمول ماده 141 قانون تجارت بودند بهعنوان شرکتهای ورشکسته انتخاب وQ توبین ساده بهعنوان معیار انتخاب شرکت سالم برگزیده شد. نتایج پژوهش نشان میدهد که مدل ساختهشده با استفاده از روش شبکه عصبی پرسپترون چندلایه دارای قابلیت پیشبینی ورشکستگی در شرکتهای پذیرفتهشده در بورس اوراق بهادار تهران میباشد. همچنین مدل شبکه عصبی پرسپترون چندلایه بهبودیافته توسط روش بهینهسازی دستهجمعی ذرات نیز میتواند ورشکستگی را در شرکتهای مذکور پیشبینی نموده و توان پیشبینی آن نسبت به مدل شبکه عصبی پرسپترون ساده افزایش قابلتوجهی را نشان میدهد

کلیدواژه ها:

ورشکستگی ، مدلهای پیشبینی ورشکستگی ، شبکه عصبی پرسپترون چندلایه ، بهینهسازی دستهجمعی ذرات