استفاده از تکنیک درخت تصمیم داده کاوی برای پیش بینی ورشکستگی کیفی

سال انتشار: 1394
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 424

فایل این مقاله در 15 صفحه با فرمت PDF قابل دریافت می باشد

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

ICMEH01_638

تاریخ نمایه سازی: 11 مرداد 1396

چکیده مقاله:

تحقیقات زیادی در مورد پیش بینی ورشکستگی مالی انجام شده است. اما تحقیقات بسیار کمی در مورد پیش بینی ورشکستگی مالی با داده های کیفی که با نظر کارشناسان خبره جمع آوری و دسته بندی شده اند، انجام گرفته است. در فرآیند ارزیابی ریسک واقعی، کشف دانش پیش بینی ورشکستگی از کارشناسان، یک کار بسیار مهم می باشد چرا که پیش بینی کارشناسان براساس دانش و تجربیات شخصی خودشان می باشد. دراین تحقیق از ترکیب دو روش استنتاجی به اسم درخت تصمیم J-48 برای پیش بینی ورشکستگی مالی استفاده می کنیم. از درخت تصمیم J-48 برای انتخاب ویژگی و بدست آوردن الگو و برای پیش بینی نهایی یک بار دیگر از تکنیک اشاره شده استفاده می کنیم. نتایج نشان می دهند که این مدل ترکیبی با دقت 96 %، بهترین پیش بینی ورشکستگی کیفی را داشته است. بنابراین این مدل می تواند ابزار مناسبی برای تصمیم گیری کارشناسانی باشد که در حوزه پیش بینی ورشکستگی کیفی مالی فعالیت می کنند.

کلیدواژه ها:

پیش بینی ورشکستگی کیفی ، داده کاوی ، درخت تصمیم ، انتخاب ویژگی

نویسندگان

رضا احمدی

دانشجوی کارشناسی ارشد، مهندسی صنایع – صنایع، دانشگاه آزاد اسلامی، واحد قزوین، باشگاه پژوهشگران جوان و نخبگان، قزوین، ایران

امیر آزاد ایمانی

دانشجوی کارشناسی ارشد مهندسی صنایع، دانشگاه آزاد اسلامی، واحد قزوین، دانشکده مهندسی صنایع و مکانیک، قزوین، ایران

ابوالفضل کاظمی

استادیار دانشگاه آزاد اسلامی، واحد قزوین، دانشکده مهندسی صنایع و مکانیک، قزوین، ایران

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 :
  • Brachman R. J., Khabaza T., Kloesgen W., Piatesky- Shpiro G., ...
  • Altman E., Financial ratios, "Discriminant analysis and the prediction of ...
  • Fletcher D., Goss E., "Forecasting with neural networks: an application ...
  • Odom M., Sharda R., "A neural networks model for bankruptcy ...
  • Shaw M., Gentry J., " Inductive learning for risk classification, ...
  • Shin K. S., Lee Y. J., "A genetic algorithm applications ...
  • Myoung Jong K., Ingoo H., "The discovery of experts' decision ...
  • Caouette J. B., Altman E. I., Narayanan P., "Managing credit ...
  • Altman E. I., Marco G., Varet F., "Corporate distress diagnosis: ...
  • Holland J. H., "Adaptation in natural and artificial systems, " ...
  • Anglano C., Giordana A., Lo Bello G., Saitta L., " ...
  • Augier S., Venturini G., Kodratoff Y., " Learning first order ...
  • Mahfoud S., Mani G., "Genetic algorithm for predicting individual stock ...
  • B.M. P ., Joshi R.C., Durga T., "Hybrid prediction model ...
  • Rygielski C., Wang J.C., Cyen D., "Data mining techniques for ...
  • Edwards BK., Howe HL., Ries Lynn AG., Thun MJ., Rosenberg ...
  • Ross E. Breast cancer drug may prolong life. Associated Press, ...
  • Warren J., "Cancer death rates falling, but slowly, " WebMD ...
  • Richards G., Rayward. Smith VJ., Sonksen PH., Carey S., Weng ...
  • Ritter M., Gene tied to mani c-depression, "Newspaper article in ...
  • نمایش کامل مراجع