وحید علیزاده - دانشگاه تهران
احمدرضا قاسمی - دانشگاه تهران
روح الله رهنمافلاورجانی - دانشگاه تهران

توسعه مدلهای پیشبینی ریسک ورشکستگی مالی بهعنوان یک موضوع مهم، همواره مورد توجه جامعه دانشگاهی و بنگاههای اقتصادی بوده است. پیشبینی ریسک ورشکستگی مالی میتواند اثر مهمی بر تصمیمات مربوط به اعطای تسهیلات و سودآوری نهادهای مالی داشته باشد. هدف این تحقیق استفاده از نسبتهای مالی در پیشبینی ریسک ورشکستگی شرکتها است. باتوجه به اینکه پیشبینی ریسکورشکستگی همیشه مورد توجه بنگاههای اقتصادی، بهویژه بانکها و سایر نهادهای مالی است. پیشبینی بهموقع می تواند تصمیمگیران را در یافتن راهحل و پیشگیری از ورشکستگی، یاری نماید. بنابراین همواره سعی شده است تا با استفاده از روشهای متنوع، دقت پیشبینی این مدلها افزایش یابد. هدف این پژوهش بررسی دقت شبکه عصبی پرسپترون چندلایه آموزش یافته با الگوریتم ژنتیک در پیشبینی ریسک ورشکستگی شرکتها است. نتایج مدل با طبقهبندهای کلاسیک(طبقهبند بیزین وk- نزدیک- ترین همسایه) مقایسه شده است. این تحقیق نشان میدهد شبکه عصبی پرسپترون چندلایه با نظارت الگوریتم ژنتیک در پیشبینی ریسک ورشکستگی بهتر از دو مدل کلاسیک است و میتواند با دقت %97.6 پیشبینی را انجام دهد.

ریسک ورشکستگی،نسبتهای مالی،شبکه عصبی پرسپترون چند لایه، طبقه بند بیز،طبقه بند ، K-نزدیکترین همسایه