غلامرضا جندقی - Faculty of Management and Accounting, Farabi Campus University of Tehran, Qom, Iran.
علیرضا سارنج - Faculty of Management and Accounting, Farabi Campus University of Tehran, Qom, Iran
رضا رجایی - Ph.D. Financial Management, Faculty of Management and Accounting, Farabi Campus University of Tehran, Qom, Iran.
احمدرضا قاسمی - Faculty of Management and Accounting, Farabi Campus University of Tehran, Qom, Iran
رضا تهرانی - Department of Financial Management., Faculty of Management, University of Tehran, Iran.

میزان قابل‌توجه زیان مالی بالقوه ناشی از بازپرداخت نکردن تعهدهای وام‌گیرندگان است، و توسعه و بهبود روش‌های اندازه‌گیری ریسک اعتباری برای کاهش زیان مالی ناشی از نکول وام‌گیرندگان به موضوعی اجتناب‏ ناپذیر در ادبیات مالی تبدیل شده است. هدف مدل‌های پیش‌بینی ورشکستگی، برآورد احتمال نکول شرکت یا شخص در یک دوره زمانی است. در پژوهش حاضر، از داده‌های شرکت‌های حاضر در بورس اوراق بهادار تهران و فرابورس در سال‌های 1395-1370 استفاده می‏ شود و با نمونه‌ای از ۲۱۸ شرکت، الگوریتم کلونی مورچگان برای تعیین موثرترین عوامل ریسک اعتباری و روش شبکه عصبی بازشناسی الگو برای طبقه‌بندی و ارزیابی میزان دقت پیش‌بینی ورشکستگی استفاده می ‏شود. نسبت‌هایی شامل سود قبل از بهره و مالیات به فروش کل، کل حقوق صاحبان سهام به کل بدهی، نسبت جاری، نسبت وجه نقد، و نسبت حقوق صاحبان سهام به دارایی کل به عنوان موثرترین عوامل شناسایی می شوند. مدل نهایی قادر به پیش‌بینی وضعیت اعتباری شرکت‌ها، با دقت بالاتری نسبت به متوسط دقت مدل‌های متداول موجود با استفاده از داده‌های سال قبل، دو سال قبل، و سه سال قبل از سال هدف برآورد است. 

Credit Risk, Bankruptcy Probability, Neural Network, Pattern Recognition Algorithm, Ants’ Colony Aalgorithm., ریسک اعتباری, احتمال ورشکستگی, شبکه عصبی, الگوریتم بازشناسی الگو, الگوریتم کلونی مورچگان.