میرمعینی, فاطمه السادات, قاسمیه, رحیم, سینایی, حسنعلی. (1404). پیش‌بینی ریسک مالی شرکت‌ها بر اساس الگوریتم ترکیبی یادگیری عمیق FA-PSO-LSTM. پدافند الکترونیکی و سایبری, 6(4), 11-30.
فاطمه السادات میرمعینی; رحیم قاسمیه; حسنعلی سینایی. "پیش‌بینی ریسک مالی شرکت‌ها بر اساس الگوریتم ترکیبی یادگیری عمیق FA-PSO-LSTM". پدافند الکترونیکی و سایبری, 6, 4, 1404, 11-30.
میرمعینی, فاطمه السادات, قاسمیه, رحیم, سینایی, حسنعلی. (1404). 'پیش‌بینی ریسک مالی شرکت‌ها بر اساس الگوریتم ترکیبی یادگیری عمیق FA-PSO-LSTM', پدافند الکترونیکی و سایبری, 6(4), pp. 11-30.
میرمعینی, فاطمه السادات, قاسمیه, رحیم, سینایی, حسنعلی. پیش‌بینی ریسک مالی شرکت‌ها بر اساس الگوریتم ترکیبی یادگیری عمیق FA-PSO-LSTM. پدافند الکترونیکی و سایبری, 1404; 6(4): 11-30.

پیش‌بینی ریسک مالی شرکت‌ها بر اساس الگوریتم ترکیبی یادگیری عمیق FA-PSO-LSTM

پژوهش‌های راهبردی بودجه و مالیه
دوره 6، شماره 4 - شماره پیاپی 24، زمستان 1404، صفحه 11-30    اصل مقاله (1.34 M)
نوع مقاله: مقاله پژوهشی
نویسندگان
فاطمه السادات میرمعینی1؛ رحیم قاسمیه* 2؛ حسنعلی سینایی3
1کارشناسی ارشد مدیریت مالی، دانشکده اقتصاد و علوم اجتماعی، دانشگاه شهید چمران اهواز. اهواز . ایران
2گروه مدیریت- دانشکده اقتصاد و علوم اجتماعی- دانشگاه شهید چمران اهواز،اهواز، ایران
3استاد گروه مدیریت، دانشکده اقتصاد و علوم اجتماعی، دانشکاه شهید چمران هواز، اهواز، ایران
چکیده
این پژوهش با توجه به لزوم نظارت مستمر یر داده های مالی و با تمرکز بر الگوریتم های هوش مصنوعی طی یک مطالعه تجربی و میدانی و با استفاده از با استفاده از یک مدل جدید مورد، داده های شرکت های فعال در سه صنعت فلزات اساسی، خودروسازی و فرآورده های نفتی را در یک بازه زمانی ده ساله موردارزیابی دقیق قرار داده است. پس از تعیین عوامل موثر مالی حاصل از تحلیل عاملی، از خطای میانگین مربعات و مقادیر پیش بینی شده شبکه عصبی LSTM جهت بهینه سازی تابع الگوریتم ازدحام ذرات و بهینه سازی نرخ یادگیری و تعداد لایه های پنهان شبکه های عصبی استفاده گردید. مدل یادگیری عمیق FA-PSO-LSTM مورد استفاده یک مدل ابتکاری و نسبتا جدید است که از مزایای شبکه LSTM در پردازش سری های زمانی به طور کامل می تواند بهره مند شده و به تکامل نطریه پردازی در این خصوص منتهی شود. نتایج حاکی از آن است که مدل پیشنهادی در صنعت فرآورده‌های نفتی با دقت بالا ریسک مالی را پیش‌بینی نموده و اهمیت متغیرهایی چون نقدینگی، جریان نقدی و سودآوری را برجسته ساخته است. در صنعت خودروسازی، شاخص‌هایی مانند نقدینگی، ظرفیت عملیاتی و توسعه پایدار اثرگذارتر بودند، در حالی که در صنعت فلزات اساسی بیشترین ثبات داده‌ها مشاهده و بهترین عملکرد مدل ثبت شد.در مجموع، متغیرهای نقدینگی، سودآوری، جریان نقدی، ظرفیت عملیاتی و قابلیت توسعه به‌عنوان عوامل کلیدی مشترک ریسک شناسایی گردیدند همچنین مشخص شد که که مدل پیشنهادی در مقایسه با روش‌های سنتی و سایر الگوریتم‌ها، دقت و کارایی بالاتری دارد.
کلیدواژه‌ها
ریسک مالی؛ یادگیری عمیق؛ شرکت‌های سهامی عام؛ بهینه سازی
مراجع
آمار
تعداد مشاهده مقاله: 251
تعداد دریافت فایل اصل مقاله: 278