این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
پژوهش های حسابداری مالی، جلد ۸، شماره ۲، صفحات ۱-۲۴
عنوان فارسی بررسی سودمندی طبقه‌بندی‌کنندۀ جنگل‌های تصادفی و روش انتخاب متغیر ریلیف در پیش‌بینی بحران مالی: مطالعۀ شرکت‌های پذیرفته‌شده در بورس اوراق بهادار تهران
چکیده فارسی مقاله پژوهش حاضر به پیش‌بینی بحران مالی شرکت‌های پذیرفته‌شده در بورس اوراق بهادار تهران با استفاده از طبقه‌بندی‌کنندۀ غیرخطی جنگل‌های تصادفی می‌پردازد. در این راستا، پس از بررسی متون پژوهش و شناسایی 69 متغیر پیش‌بین اولیه، از روش انتخاب متغیر ریلیف برای شناسایی متغیرهای پیش‌بین بهینه استفاده شد. یافته‌های تجربی مربوط به بررسی 95 شرکت - سال سالم (بدونِ درماندگی مالی) و 95 شرکت - سال (درماندۀ مالی) پذیرفته‌شده در بورس اوراق بهادار تهران در سال‌های 1380 تا 1392 بیانگر عملکرد بهتر جنگل‌های تصادفی نسبت به رگرسیون لجستیک است. به بیان دیگر، در صورت استفاده از این طبقه‌بندی‌کننده، به‌طور معناداری، میانگین دقت افزایش و خطای نوع اول و دوم کاهش می‌یابد. افزون بر این، یافته‌های پژوهش بیانگر سودمندی روش انتخاب متغیر ریلیف در پیش‌بینی بحران مالی است. به عبارت دیگر، در صورت استفاده از متغیرهای منتخب روش ریلیف (نسبت به استفاده از 69 متغیر اولیه)، به‌طور معناداری، میانگین دقت افزایش وخطای نوع اول و دوم کاهش می‌یابد.
کلیدواژه‌های فارسی مقاله
عنوان انگلیسی The Usefulness of Random Forest Classifier and Relief Features Selection in Financial Distress Prediction: Empirical Evidence of Companies Listed on Tehran Stock Exchange
چکیده انگلیسی مقاله The Purpose of this research is investigating the usefulness of random forest classifier and relief features selection in financial distress prediction of companies listed on Tehran Stock Exchange. In this regard, through reviewing literature, 69 predictive features (variables) were specified as the initial features based on the popularity in the literature and the availability of the necessary data. By using relief method, optimal variables were selected from initial variables. In overall, the experimental results of investigating 95 financially distressed and 95 non-financial distressed in 2002 to 2014, indicated that random forest outperforms the logistic regression. In other words, the application of this classifier, increases the mean of accuracy, and reduces the occurrence of type I and type II errors. Furthermore, the results confirmed the usefulness of relief method in predicting financial distress. . In other words, using selected variables of this feature selection method (relative to using 69 initial variables) increases the mean of accuracy, and reduces the occurrence of type I and type II errors
کلیدواژه‌های انگلیسی مقاله
نویسندگان مقاله محمد حسین ستایش | mohammad hossein
دانشگاه شیراز
سازمان اصلی تایید شده: دانشگاه شیراز (Shiraz university)

مصطفی کاظم نژاد |
دانشگاه شیراز
سازمان اصلی تایید شده: دانشگاه شیراز (Shiraz university)

محمد حلاج |
شیراز- بلوار پاسداران- خیابان کمیل- بعد از کوچه 8- منزل ششم

نشانی اینترنتی http://far.ui.ac.ir/article_20734_8dfdf64762135baf4757dba59c685adb.pdf
فایل مقاله اشکال در دسترسی به فایل - ./files/site1/rds_journals/1377/article-1377-345125.pdf
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات