رویکردی نوین در پیش‌بینی درماندگی مالی با بکارگیری اطلاعات مبتنی بر شبکه مالی و روش ترکیبی درخت تصمیم تقویت گرادیان

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشیار، گروه مهندسی مالی، دانشکده حسابداری و علوم مالی، دانشگاه تهران

2 گروه مدیریت مالی و بیمه، پردیس البرز، دانشگاه تهران، ایران

3 گروه مدیریت مالی، دانشکده مدیریت، دانشگاه تهران

4 استادیار، گروه مدیریت مالی، دانشکده مدیریت، دانشگاه تهران

چکیده

هدف: این پژوهش برآن است که با اضافه کردن متغیرهای مربوط به شبکه مالی، عملکرد مدل درخت تصمیم تقویت گرادیان که پارامترهایش با الگوریتم بهبود‌یافته گرگ خاکستری بهینه شده است را با مدل‌های منتخب در حوزه پیش‌بینی درماندگی مالی مورد ارزیابی قرار دهد.

روش: مدل پیشنهادی این پژوهش بر روی داده‌های 123 شرکت تولیدی پذیرفته شده در بورس و فرابورس ایران در بازه‌ی زمانی 2015 تا 2021 پیاده سازی شد. ابتدا شبکه مالی تشکیل شده و سپس با ترکیب متغیرهای مبتنی بر شبکه با برخی نسبت‌های مالی و با استفاده از مدل درخت تصمیم تقویت گرادیان که پارامترهای آن با الگوریتم بهبود‌یافته گرگ خاکستری بهینه شده است، درماندگی مالی شرکت‌ها پیش‌بینی شده است.

نتایج: مدل درخت تصمیم تقویت گرادیان با اضافه شدن متغیرهای مربوط به شبکه مالی هم از نظر دقت و هم ازنظر خطای نوع یک عملکرد بهتری در مقایسه با دو مدل k نزدیک‌ترین همسایه و رگرسیون لجستیک از خود نشان داد. شرکت‌های با مرکزیت بینابینی و مرکزیت درجه بالا، کمتر مستعد قرار گرفتن در شرایط درماندگی مالی هستند و بالعکس. در شرایطی که نسبت فراوانی نمونه‌های هر طبقه بسیار متفاوت از طبقات دیگر باشد، استفاده از روش درخت تصمیم تقویت گرادیان بسیار کارامد خواهد بود.

نوآوری: برای اولین بار متغیرهای مربوط به شبکه مالی با نسبت‌های مالی، ترکیب شده و از طریق روش نوین درخت تصمیم تقویت گرادیان که پارامترهایش با الگوریتم گرگ خاکستری بهبودیافته بهینه شده است، به پیش‌بینی درماندگی مالی پرداخته شده است.

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

A Novel Approach in Predicting Financial Distress by Financial Network-Based Information and the Integrated Method of Gradient Boosting Decision Tree

نویسندگان [English]

  • ezatollah Abbasian 1
  • Kaveh shahraki 2
  • Saeed Fallahpour 3
  • Ali Namaki 4
1 Associate Professor, Department of Financial Engineering, Faculty of Accounting and Financial Sciences, University of Tehran
2 Department of Financial and Insurance Management, Alborz Campus, University of Tehran, Iran
3 Department of Financial Management, Faculty of Management, University of Tehran
4 Assistant Prof., Department of Financial Management , Faculty of Management, Tehran University
چکیده [English]

Objective: The present study was to evaluate the performance of the gradient boosting decision tree model whose parameters were optimized with the improved gray wolf algorithm (GWO) by adding financial network-related variables with selected models of predicting financial distress.

Method: The proposed model of this study was implemented on the data of 123 manufacturing companies admitted to the Iranian Stock Exchange and Iran Fara Bourse Co. (IFB) from 2014 to 2021. Initially, the financial network was formed, and then the financial distress of companies was predicted by integrating network-based variables with financial ratios and using a gradient boosting decision tree model.

Findings: The model of the gradient boosting decision tree performed better regarding precision and type I error by the addition of financial network indicators (FNI) than the two models of k-nearest neighbor (KNN) and logistic regression (LR). Companies with betweenness centrality and high degree centrality are less prone to financial distress and vice versa.

Novelty: This is the first study to predict financial distress by financial network-related variables integrated with financial ratio variables and through the novel gradient boosting decision tree method, whose parameters are optimized with the improved GWO.

کلیدواژه‌ها [English]

  • "؛ prediction of financial distress"؛
  • "؛ financial network"؛ gradient boosting decision tree"؛
  • "؛ improved gray wolf algorithm (GWO)"؛
  • '؛ centrality criteria"