اندیشکده مدیریت و اقتصاد تدبیر نیکان هوشمندسازی در حسابداری، اقتصاد و مدیریت مالی 1 پیاپی 1 1404 02 01 Designing an Intelligent Model for Predicting Corporate Financial Distress Using Deep Learning Algorithms and Behavioral Indicators of the Capital Market طراحی مدل هوشمند پیش‌بینی درماندگی مالی شرکت‌ها با استفاده از الگوریتم‌های یادگیری عمیق و شاخص‌های رفتاری بازار سرمایه 1 12 FA امیر حسین رضایی منش گروه مدیریت مالی، دانشگاه تهران، تهران، ایران فاطمه اکبری گروه مدیریت مالی، دانشگاه تهران، تهران، ایران Journal Article <p>This study aimed to design an intelligent model for predicting corporate financial distress by integrating financial indicators, behavioral capital market indicators, and deep learning capabilities from the perspective of finance, accounting, capital market, and data analytics experts. This study adopted a qualitative design based on thematic analysis. The participants consisted of financial experts, accounting and finance academics, capital market analysts, risk managers, and data science specialists in Tehran. Purposeful sampling and snowball sampling were used, and interviews continued until theoretical saturation was achieved. A total of 22 participants took part in the study. Data were collected through semi-structured interviews. After obtaining informed consent, all interviews were recorded, transcribed, and coded. Data analysis was conducted through open, axial, and selective coding using NVivo software. Data analysis resulted in 412 initial codes, 64 concepts, 17 subcategories, and five main categories. The main categories included “financial and accounting infrastructure of distress,” “behavioral and market microstructure indicators,” “data architecture and deep learning algorithms,” “interpretability, validation, and bias control,” and “institutional requirements and decision-making applicability.” The findings indicated that effective financial distress prediction cannot rely solely on accounting ratios. Instead, historical financial data, market data, trading behavior, news sentiment, and data governance requirements should be integrated into a dynamic, multi-source framework. The proposed model conceptualizes financial distress as a gradual, multidimensional phenomenon shaped by the interaction between firms’ financial conditions and behavioral market reactions. Therefore, early warning systems should move beyond static and single-source models toward intelligent, interpretable, time-sensitive, and institutionally embedded models. The proposed model can assist corporate managers, auditors, investment analysts, regulatory bodies, and creditors in early risk identification and improved financial decision-making.</p> <p>هدف پژوهش حاضر طراحی مدل هوشمند پیش‌بینی درماندگی مالی شرکت‌ها با تأکید بر ترکیب شاخص‌های مالی، شاخص‌های رفتاری بازار سرمایه و ظرفیت الگوریتم‌های یادگیری عمیق از دیدگاه خبرگان مالی، حسابداری، بازار سرمایه و تحلیل داده بود. این پژوهش با رویکرد کیفی و با روش تحلیل مضمون انجام شد. جامعه مشارکت‌کنندگان شامل خبرگان مالی، استادان حسابداری و مالی، تحلیلگران بازار سرمایه، مدیران ریسک و متخصصان داده در شهر تهران بود. نمونه‌گیری به‌صورت هدفمند و با راهبرد گلوله‌برفی انجام شد و فرایند مصاحبه تا رسیدن به اشباع نظری ادامه یافت. در مجموع، ۲۲ نفر در پژوهش مشارکت کردند. ابزار گردآوری داده‌ها مصاحبه نیمه‌ساختاریافته بود. مصاحبه‌ها پس از اخذ رضایت آگاهانه ضبط، پیاده‌سازی و کدگذاری شدند. برای تحلیل داده‌ها از کدگذاری باز، محوری و انتخابی با کمک نرم‌افزار NVivo استفاده شد. تحلیل داده‌ها به استخراج ۴۱۲ کد اولیه، ۶۴ مفهوم، ۱۷ زیرمقوله و پنج مقوله اصلی منجر شد. مقوله‌های اصلی شامل «زیرساخت مالی و حسابداری درماندگی»، «شاخص‌های رفتاری و ریزساختاری بازار سرمایه»، «معماری داده و الگوریتم‌های یادگیری عمیق»، «تفسیرپذیری، اعتبارسنجی و کنترل سوگیری مدل» و «الزامات نهادی و کاربردپذیری تصمیم‌گیرانه» بودند. یافته‌ها نشان دادند که پیش‌بینی مؤثر درماندگی مالی تنها با اتکا به نسبت‌های حسابداری امکان‌پذیر نیست و باید داده‌های تاریخی، داده‌های بازار، الگوهای رفتاری معامله‌گران، احساسات خبری و الزامات حکمرانی داده در یک چارچوب چندمنبعی و پویا ادغام شوند. بر اساس یافته‌ها، مدل پیشنهادی پژوهش حاضر درماندگی مالی را پدیده‌ای تدریجی، چندبعدی و وابسته به تعامل اطلاعات مالی و واکنش‌های رفتاری بازار می‌داند. بنابراین، سامانه‌های هشدار زودهنگام باید از مدل‌های ایستا و تک‌منبعی فاصله گرفته و به سمت مدل‌های هوشمند، تفسیرپذیر، زمان‌مند و نهادمند حرکت کنند. این مدل می‌تواند برای مدیران شرکت‌ها، حسابرسان، تحلیلگران سرمایه‌گذاری، نهادهای ناظر و اعتباردهندگان در شناسایی زودهنگام ریسک مالی و بهبود تصمیم‌گیری کاربرد داشته باشد</p> https://jsaefm.com/index.php/jsaefm/article/download/2/1