پیش بینی ورشکستکی شرکت های پذیرفته شده در بورس اوراق بهادار تهران با استفاده از شبکه عصبی مصنوعی و مقایسه آن با مدل آریما

چکیده: ورشكستگي شركتها معمولاً بر نقدينگي بازار سرمايه و توسعه ي اقتصاد مو ثر است . در زمان ورشكستگي، بانكها معمولاً اعتباردهي به شركتها ي ورشكسته را كاهش داده، بهره ي بالاتر ي را بر اي جبران ريسك اضافي درخواست مي كنند، خريد سهام این شرکتها كاهش یافته و همه اينها به كاهش نقدينگي در بازارهاي سرمايه، افزايش هزينه¬ي سرمايه¬ي شركتها و كاهش رشد اقتصادي منجر خواهد شد. با توجه به تأثيرات معكوس ورشكستگي بر بازارهاي سرمايه و اقتصاد، پژوهشگران و ذينفعان برآن شدند تا با استفاده از رويكردهاي مختلف، مدلهاي پيش بيني را ايجاد و توسعه دهند تا ميزان زيان هاي وارده و تأثيرهاي ناشي از آن كاهش يابد در اين تحقيق كارايي مدل شبكه عصبي مصنوعي در پيش بيني ورشكستگي شركت ها در مقايسه با مدل اَريما بررسي شده است. تحقیق حاضر با استفاده از شبکه‌های عصبی به پیش‌بینی ورشکستگی شرکت‌هایی در بورس اوراق بهادار تهران می¬پردازد که در بازه زمانی 1392-1384 در این بازار فعالیت داشته‌اند. در این راستا از شبکه عصبی پیشخور اما با الگوریتم‌های یادگیری کاملا متفاوت استفاده کرده‌ایم. جامعه آماری اولیه این تحقیق شامل 80 جفت شرکت سالم و ورشکسته بوده است. الگوریتم‌ مورد استفاده در این تحقیق شبکه عصبی پرسپترون چندلایه (MLP) و مدل آریما (ARIMA) استفاده شده است. برای آموزش شبکه عصبی از الگوریتم یادگیری انتشار بازگشتی خطا (BP) استفاده شده است. نرم‌افزار مورد استفاده برای ایجاد مدل شبکه عصبی نرم‌افزار MATLAB می‌باشد. نتایج دست آمده در این تحقیق نشان از کارایی بالای مدل شبکه¬ عصبی ارائه شده دارد. میزان پیش‌بینی صحیح مدلهای استفاده شده در این تحقیق به ترتیب اعداد 95.7% و 91.4 % را برای شبکه‌‌های MLP و ARIMA نشان می‌دهد. نتایج نشان می¬دهد شبکه MLP در خصوص تشخیص شرکت‌های سالم و ورشکسته عملکرد نسبتا بالاتری نسبت به مدل ARIMA از خود نشان داده است. واژگان كليدي: پیس¬بینی ورشکستگی، شبکه¬های عصبی پرسپترون، مدل اریما، بورس اوراق بهادار تهران