مقاله تبیین پیش بینی بحران های مالی با تاکید بر شبکه های عصبی مصنوعی و نروفازی

این یک مقاله ای با عنوان تبیین پیش بینی بحران های مالی با تاکید بر شبکه های عصبی مصنوعی و نروفازی است که در۱۰ صفحه برای دانلود منتشر شده است.

چکیده

ورشکستگی و عدم موفقیت شرکت‌ها موضوعی قابل‌تأمل در بازار سرمایه است. عواملی که منجر به ورشکستگی یک شرکت می‌شوند یک‌شبه ظهور نمی‌کنند. نشانه‌های وجود بحران مالی یک شرکت بسیار زودتر از ورشکستگی نهایی نمایان می‌شوند. لذا در پژوهش حاضر با ارائه تعریفی جامع از بحران مالی شرکت‌ها و با استفاده از نسبت‌های مالی و تکنیک‌های هوش مصنوعی (شبکه عصبی مصنوعی و نرو فازی) مدلی برای پیش‌بینی بحران مالی شرکت‌های پذیرفته‌شده در بورس اوراق بهادار تهران (صنعت خودرو و ساخت قطعات) استخراج‌شده است.

واژه‌های کلیدی: بحران مالی، نسبت‌های مالی، شبکه‌های عصبی مصنوعی، مدل نروفازی

مقدمه

همه واحدهای تجاری برای دستیابی به موفقیت، برنامه‌ریزی می‌کنند و عملیات خود را به سمت اجرای برنامه‌های خود رهبری می‌نمایند، اما برخی از آن‌ها برای دستیابی به این هدف دست به عملیات ریسک آور و خطرناکی می‌زنند که به ورشکستگی منتهی می‌گردد. این جنبه غیرمنتظره بودن ورشکستگی است که آن را خطرناک‌تر می‌سازد. به‌هرحال همه واحدهای تجاری که تداوم فعالیت ندارند ورشکسته تلقی نمی‌شوند، زیرا برخی از آن‌ها باوجود عدم تداوم فعالیت به اهداف خود دست‌یافته‌اند (Newton, 2009, p.39). ورشکستگی رویدادی است که تأثیر زیادی بر مدیریت، سهامداران، کارکنان، بستانکاران، مشتریان و سایر افراد ذینفع می‌گذارد. ازاین‌رو ورشکستگی هم ازلحاظ اجتماعی و هم ازلحاظ اقتصادی کشور را به چالش می‌کشد (Aletman, 1968, p.591). هرچه ورشکستگی در مراحل ابتدایی‌تر شناخته شود، امکان جلوگیری از آن بیشتر

است و با راه‌حل‌های ساده‌تری می‌توان از وقوع آن اجتناب کرد و از پیامدهای اقتصادی و اجتماعی آن کاسته و یا حتی جلوگیری کرد. اما عواملی که منجر به ورشکستگی یک شرکت می‌شوند، یک‌شبه ظهور نمی‌کنند. نشانه‌های وجود بحران مالی یک شرکت بسیار زودتر از ورشکستگی نهایی نمایان می‌شوند. از سویی (Newton, 2009) معتقد است در مرحله ورشکستگی» شرکت رو به نابودی رفته است. ارزش کل بدهی‌ها از ارزش دارایی‌های شرکت فزونی دارد و شرکت دیگر نمی‌تواند از توقف عملیات شرکت و هجوم بستانکاران و سایر افراد ذینفع جهت وصول مطالبات خود اجتناب کند. بحران مالی وضعیتی است که شرکت برای کسب منافع مالی کافی جهت ادامه عملیاتش ناتوان است و در انجام امور خود دچار زحمت می‌شود (Mckee, 2006, p.681). در این وضعیت شرکت برای مواجه‌شدن با تعهدات خود در سررسید ناتوان است (Beaver, 1966, p.74). در این وضعیت همچنین شرکت در تولید وجه نقد کافی برای رفع نیازهایش همچون پرداخت‌ها به وام‌دهندگان و … توانایی کافی را ندارد (Jantadej, 2006, p.4). در ادبیات مالی تأکید بر این اعتقاد است که شرکت‌ها سال‌ها قبل از اینکه ورشکستگی ظهور پیدا کند وارد چرخه بحران مالی می‌شوند و رویدادهای اقتصادی مختلفی در دوره قبل از ورشکستگی اتفاق می‌افتد. برای مثال عدم پرداخت بدهی یا توافق برای تأخیر در پرداخت وام حداقل سه سال قبل از ورشکستگی اتفاق می‌افتد (Foster, 1997, p.870). در بعضی موارد شرکتی که دچار بحران شده می‌تواند برای سال‌های متمادی به عملیات خود با این شرایط ادامه دهد. به‌عبارت‌دیگر بعضی شرکت‌ها بلافاصله بعد از یک رویداد بحرانی شدید از قبیل یک کلاه‌برداری بزرگ وارد ورشکستگی می‌شوند. در مواردی نیز ممکن است ذینفعان اصلی شرکت همچون صاحبان سهام، وام‌دهندگان و مدیریت تشخیص دهند که ورشکستگی منافع آن‌ها را بیشتر تأمین کند. لذا ورشکستگی می‌تواند در مواردی اختیاری نیز باشد. عوامل مختلفی ازجمله هزینه‌های بالا، کاهش تقاضای مشتریان و مدیریت مالی ضعیف می‌توانند دلایل بروز بحران مالی باشند. ورشکستگی می‌تواند یکی از فرجام‌های بحران مالی باشد. تصفیه، انحلال، ادغام، تجدید ساختار و ادامه عملیات در این شرایط هریک می‌توانند نتایج بحران مالی باشند (Mckee, 2006, p.682). یکی از راه‌هایی که می‌توان با استفاده از آن به بهره‌گیری مناسب از فرصت‌های سرمایه‌گذاری و همچنین جلوگیری از به هدر رفتن منابع کرد، پیش‌بینی بحران مالی است (کاظمی نیا ۱۳۸۹، ص ۴). پیش‌بینی بحران مالی شرکت‌ها، مدت‌هاست که به‌عنوان یکی از موضوعات مهم در حوزه مالی مطرح است. ازآنجایی‌که در این مدل‌ها، متغیر ملاک (وابسته) از نوع قطعی (درمانده مالی یا سالم) هستند، با مسأله ای از نوع دسته‌بندی روبرو هستیم؛ بنابراین، واضح است در چنین مطالعاتی از مدل‌های آماری مانند تحلیل ممیز چندگانه، تحلیل لوجیت و تحلیل پروبیت استفاده می‌شود. هرچند که اعتبار و اثربخشی این روش‌های آماری سنتی به برخی فرضیات محدودکننده، همچون خطی بودن، نرمال بودن، مستقل بودن، متغیرهای پیش‌بین از هم و وجود یک ساختار تابعی از پیش تعریف‌شده بستگی زیادی دارد. این روش‌های سنتی، هنگامی می‌توانند مسائل را به‌خوبی حل کنند که تمامی یا بیشتر این فرضیات برآورده شوند. مطالعات اخیر درزمینه  شبکه‌های عصبی مصنوعی (ANN)[۱] نشان می‌دهد که ANN ها به علت ویژگی‌های غیرخطی، ناپارامتریک و یادگیری انطباقی که دارند، ابزار قدرتمندی برای شناسایی و دسته‌بندی الگو هستند.

ادامه ی متن در فایل اصلی

در صورت بروز مشکل در دانلود تبیین پیش بینی بحران های مالی با تاکید بر شبکه های عصبی مصنوعی و نروفازی با پشتیبانی تماس بگیرید.