طراحی مدل هوشمند پیش‌بینی درماندگی مالی شرکت‌ها با استفاده از الگوریتم‌های یادگیری عمیق و شاخص‌های رفتاری بازار سرمایه

نویسندگان

  • امیر حسین رضایی منش گروه مدیریت مالی، دانشگاه تهران، تهران، ایران نویسنده مسئول
  • فاطمه اکبری گروه مدیریت مالی، دانشگاه تهران، تهران، ایران نویسنده

کلمات کلیدی:

درماندگی مالی, یادگیری عمیق, بازار سرمایه, شاخص‌های رفتاری, پیش‌بینی ورشکستگی, تحلیل مضمون, هوش مصنوعی مالی

چکیده

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

دانلودها

دسترسی به دانلود اطلاعات مقدور نیست.

مراجع

Altman, E. I. (1968). Financial ratios, discriminant analysis and the prediction of corporate bankruptcy. The Journal of Finance, 23(4), 589–609. https://doi.org/10.1111/j.1540-6261.1968.tb00843.x

Baker, M., & Wurgler, J. (2006). Investor sentiment and the cross-section of stock returns. The Journal of Finance, 61(4), 1645–1680. https://doi.org/10.1111/j.1540-6261.2006.00885.x

Campbell, J. Y., Hilscher, J., & Szilagyi, J. (2008). In search of distress risk. The Journal of Finance, 63(6), 2899–2939. https://doi.org/10.1111/j.1540-6261.2008.01416.x

Charmaz, K. (2014). Constructing grounded theory (2nd ed.). Sage.

Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep learning. MIT Press.

Hochreiter, S., & Schmidhuber, J. (1997). Long short-term memory. Neural Computation, 9(8), 1735–1780. https://doi.org/10.1162/neco.1997.9.8.1735

Lincoln, Y. S., & Guba, E. G. (1985). Naturalistic inquiry. Sage.

Loughran, T., & McDonald, B. (2011). When is a liability not a liability? Textual analysis, dictionaries, and 10-Ks. The Journal of Finance, 66(1), 35–65. https://doi.org/10.1111/j.1540-6261.2010.01625.x

Lundberg, S. M., & Lee, S. I. (2017). A unified approach to interpreting model predictions. In Advances in Neural Information Processing Systems, 30, 4765–4774.

Ohlson, J. A. (1980). Financial ratios and the probabilistic prediction of bankruptcy. Journal of Accounting Research, 18(1), 109–131. https://doi.org/10.2307/2490395

Ribeiro, M. T., Singh, S., & Guestrin, C. (2016). “Why should I trust you?” Explaining the predictions of any classifier. In Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining (pp. 1135–1144). https://doi.org/10.1145/2939672.2939778

Shumway, T. (2001). Forecasting bankruptcy more accurately: A simple hazard model. The Journal of Business, 74(1), 101–124. https://doi.org/10.1086/209665

Strauss, A., & Corbin, J. (2015). Basics of qualitative research: Techniques and procedures for developing grounded theory (4th ed.). Sage.

Tetlock, P. C. (2007). Giving content to investor sentiment: The role of media in the stock market. The Journal of Finance, 62(3), 1139–1168. https://doi.org/10.1111/j.1540-6261.2007.01232.x

دانلودها

گاه‌شمار انتشار

چاپ شده

شماره

نوع مقاله

Articles

نحوه استناد به مقاله

رضایی منش ا. ح., & اکبری ف. (1404). طراحی مدل هوشمند پیش‌بینی درماندگی مالی شرکت‌ها با استفاده از الگوریتم‌های یادگیری عمیق و شاخص‌های رفتاری بازار سرمایه. هوشمندسازی در حسابداری، اقتصاد و مدیریت مالی, 1(1), 1-12. https://jsaefm.com/index.php/jsaefm/article/view/2