بکارگیری الگوریتم درخت تصمیم جهت پیش بینی شرکتهای ورشکسته و غیر ورشکسته پذیرفته شده در بورس اوراق بهادار
سال انتشار: 1390
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 3,240
فایل این مقاله در 8 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
این مقاله در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
CSCCIT01_045
تاریخ نمایه سازی: 8 بهمن 1390
چکیده مقاله:
پیش بینی ورشکستگی یک نوع طبقه بندی تجاری محسوب می شود که برای آن دو روش متفاوت وجود دارد . روش اول استفاده از اطلاعات بازار برای چنین پیش بینی می باشد و روش دوم استفاده از نسبت های مالی است. طبق پژوهش های گذشته دقت مدلهای محتلف آماری و هوش مصنوعی به منظور پیش بینی ورشکستگی شرکتها متفاوت بوده و لذا انجام پژوهش های مقایسه ای به منظور تعیین دقت هر یک از مدلها می تواند جذاب باشد. هدف این مقاله طبقه بندی شرکت ها در دو دسته ورشکسته و غیرورشکسته (باتوجه به تعریف ماده ی 141 قانون تجارت ) با بکارگیری الگوریتم های دخت تصمیم می باشد. در این تحقیق با استفاده از داده های نسبت های مالی 144 شرکت پدیرفته شده در بورس تهران در بازه زمانی انتخابی نمونه سامل سالهای 1384 تا 1388 فرآیند داده کاوی صورت پذیرفت . ابتدا دادهای مورد نیاز جمع آوری و پیش پردازش بر روی آنها صورت گرفت . سپس الگوریتم های مختلف درخت تصمیم QUEST.CHAID.C5. CART بر روی داده های نهایی اجرا و نتایج پیش بینی این الگوریتم های طبقه بندی مورد مقایسه قرار گرفتند. نتایج نشان دهنده ی آن است که الگوریتم CART با صحت متوسط 94.43 درصد در هریک از سالهای T-2 ، T-1 ، T (سال T برای شرکتهای ورشکسته سال ورشکستگی و برای شرکتهای غیر ورشکسته سال قرار کرفتن در نمونه است) از کارایی بالاتری در پیش بینی شرکتهای ورشکسته و غیر ورشکسته برخوردار است.
کلیدواژه ها:
نویسندگان
مهناز آهنگری
دانشجوی کارشناسی ارشد دانشگاه آزاد اسلامی واحد نیشابور
مراجع و منابع این مقاله:
لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :