مقایسه کارایی مدل های یادگیری ماشین و مدل های آماری در پیش بینی ریسک مالی

هدف این پژوهش، مقایسه کارایی مدل های یادگیری ماشین (۳۲ مدل) و مدل های آماری (۱۴ مدل)، در پیش بینی ریسک مالی ۱۴۵ شرکت پذیرفته شده در بورس اوراق بهادار تهران طی بازه زمانی ۱۳۸۹ تا ۱۳۹۸ و انتخاب بهترین مدل با استفاده از تکنیک های بهینه سازی پیشرفته می باشد. یافته های پژوهش با استفاده از آزمون مقایسه دقت ضرایب پیش بینی، بیانگر آن است که با اطمینان ۹۹ درصد، دقت پیشبینی مدلهای یادگیری ماشین، بیشتر از مدلهای آماری است. همچنین بهترین مدل یادگیری ماشین پس از بهینه سازی، مدل ماشین بردار پشتیبان تکاملی با دقت پیش بینی ۹۹.۸۶درصد و مقدار سطح زیر منحنی برابر۰.۹۹۸بوده است. علاوه بر این، نسبت های مالی تعهدی با دقت پیش بینی۹۹.۴۵درصد و نسبت های مالی فعالیت با دقت پیش بینی ۹۸.۶۲درصد توانستند در مقایسه با سایر نسبت های مالی در استفاده از ماشین بردار پشتیبان تکاملی به منظور پیش بینی ریسک مالی عملکرد بهتری داشته باشند. از سوی دیگر ریسک مالی پیش بینی شده بر اساس صنایع مختلف، متفاوت بوده است. بنابراین مشخص شد که مدل های یادگیری ماشین به دلیل عدم برخورداری از محدودیت هایی که مدل های آماری با آن مواجهه هستند می توانند به عنوان ابزاری مهم، در پیش بینی ریسک مالی شرکت ها به کار روند.