تشخیص ورشکستگی مالی با استفاده از مدل عصبی- فازی خطی محلی جمعی

تشخیص ورشکستگی مالی در تصمیم گیری های مالی، هدف واحدهای اقتصادی است. دو دسته روش های پیش بینی ورشکستگی ارائه شده اند، یکی روش های کلاسیک و دیگری روش های هوشمند. در میان روش های هوشمند، شبکه های عصبی، دقت بالایی در مقایسه با سایر روش ها، نشان داده اند که جهت غلبه بر ضعف آنها، سیستم استنتاج فازی، ارائه شد. گرچه ایراداتی مثل عدم وجود روشی استاندارد جهت نگاشت از فضای دانش بشری به فضای پایگاه دادهای در یک سیستم استنتاج فازی و نیز عدم وجود روشی کارا برای تنظیم پارامترهای فازی وجود داشت. در این پژوهش، یک ساختار یادگیری ترکیبی دسته بندی کننده ها، از نوع عصبی- فازی خطی محلی، ارائه شده است. از طرفی، جهت بهبود صحت دسته بندی نمونه ها، تحقیقات اخیر نشان داده اند، استفاده از چندین دسته بندی کننده مختلف به جای یک دسته بندی کننده مناسب است. در این تحقیق، گوناگونی دسته بندی کننده ها، به کمک آموزش آنها با زیرمجموعه ویژگی های ورودی مختلف حاوی اطلاعات مالی، حاصل از روش های استخراج و انتخاب ویژگی متفاوت، ایجاد شد. در بخش تکمیلی، ترکیب نتایج خروجی دسته بندی کننده ها، توسط یک روش ترکیب انجام شد. همچنین ارزیابی سیستم در دسته بندی شرکت های ورشکسته و غیر ورشکسته سازمان بورس، به عنوان نمونه های جدید آزمون صورت گرفت. سیستم حاصل از چنین رویکردی در صورت انتخاب دقیق نسبت های مالی، دارای سرعت همگرایی بالا در عین حال دقت بالا است که مزیتی اساسی در حل مسائل طبقه بندی با مجموعه داده های مالی با ابعاد بالا است.

کلیدواژه ها:

ورشکستگی ، شبکه های عصبی ، سیستم های فازی ، سیستم های عصبی- فازی خطی محلی ، دسته بندی کننده ، استخراج ویژگی ، انتخاب ویژگی ، سیستم های شورایی