پديد آورنده :
اسماعيلي، آيلين
عنوان :
به كار گيري ابزار‌هاي هوش محاسباتي براي پيش بيني ورشكستگي و بحران مالي
مقطع تحصيلي :
كارشناسي ارشد
گرايش تحصيلي :
مهندسي سيستم هاي اقتصادي – اجتماعي
محل تحصيل :
اصفهان: دانشگاه صنعتي اصفهان، دانشكده
صفحه شمار :
سيزده، ۸۶ص.: مصور، جدول، نمودار
استاد راهنما :
رضا حجازي، مهدي خاشعي
توصيفگر ها :
پيش بيني ورشكستگي , رگرسيون لجستيك , منطق فازي , شبكه هاي عصبي , روش هاي تركيبي
استاد داور :
رئيسي اردلي، مهدي بيجاري
تاريخ ورود اطلاعات :
1397/07/16
رشته تحصيلي :
صنايع و سيستم ها
چكيده فارسي :
چكيده بحرانهاي مالي در سطح بينالملل و اتخاذ تصميمات سياسي موجب تاثيرگذاري در محيط كسب و كار شده است از آنجايي كه آيندهي وضعيت مالي شركتها براي گروههاي مختلف ذينفع مهم تلقي ميگردد پيشبيني ورشكستگي ميتواند به عنوان ابزاري جهت كمك به آنها استفاده شود روشهاي پيشبيني به طور مداوم در حال تكامل هستند امروزه روشهاي تركيبي براي رفع معايب روشهاي تكي و ارتقاي دقت آنها جايگاه ويژهاي در بين روشها پيدا كرده است روشهاي آماري و هوش محاسباتي متعددي براي دستهبندي شركتها وجود دارد يك روش آماري رايج در امر دستهبندي شركتها به دو گروه ورشكسته و غير ورشكسته استفاده از رگرسيون لجستيك است مدل رگرسيون لجستيك با در نظر گرفتن يك تركيب خطي از متغيرهاي توضيحي يا همان ويژگيها احتمالات پسين عضويت در هر دسته را مدلسازي مينمايد از جمله روشهاي پركاربرد براي پاسخ به دستهبندي الگوهاي غيرخطي موجود در دادهها شبكههاي عصبي مصنوعي ميباشند از آنجايي كه كليهي مسائل دستهبندي از نوع خطي جدايي پذير يا غيرخطي جدايي پذير نيستند لذا در اين پاياننامه با اضافه كردن متغيرهاي توضيحي غيرخطي از شبكه عصبي احتمالي و شبكه عصبي پرسپترون چندلايه به رگرسيون لجستيك به طبقهبندي الگوهاي خطي و غيرخطي موجود در دادهها به طور همزمان پرداخته شده است علاوه بر اين مدلهاي رگرسيون لجستيك شبكه عصبي احتمالي و شبكه عصبي پرسپترون جز روشهاي قطعي مدلسازي هستند و لذا توانايي مدلسازي الگوهاي غيرقطعي موجود در دادهها را ندارند به عبارت ديگر مدل تركيبي اين روشها تنها ميتواند الگوهاي خطي و غيرخطي قطعي موجود در دادهها را مدلسازي نمايد بنابراين از منطق فازي نيز به منظور تكميل مدل پيشنهادي استفاده شده است بدين ترتيب روش تركيبي پيشنهادي ميتواند الگوهاي خطي قطعي الگوهاي غيرخطي قطعي الگوهاي خطي غيرقطعي و الگوهاي غيرخطي قطعي را به صورت همزمان مدلسازي كند پس از برآورد همهي پارامترها مدل لجستيك فازي پيشنهادي حاصل به كمك چند مجموعه داده با روش لجستيك لجستيك فازي شبكه عصبي احتمالي شبكه عصبي پرسپترون و چند روش ديگر مورد مقايسه قرار ميگيرد نتايج آزمايشها نشان دهندهي برتري اين روش نسبت به روشهاي ديگر است كلمات كليدي پيشبيني ورشكستگي رگرسيون لجستيك منطق فازي شبكههاي عصبي روشهاي تركيبي
چكيده انگليسي :
87 Bankruptcy and financial distress prediction ModelingMethods of companies Using Soft Computing Intelligence Tools Author Aylin esmaili aylin esmaili@in iut ac ir Supervisor Mehdi Khashei khashei@cc iut ac ir Seyed Reza Hejazi rehejazi@cc iut ac ir Department Industrial and Systems Engineering Language PersianAbstract Financial crises on the international level and the adoption of political decisions hadimpact on business environment since companies future financial status is important tomany beneficiary groups bankruptcy prediction can be used as a tool to help them Prediction methods are constantly evolving Nowadays hybrid methods have found a specialplace among methods to eliminate disadvantages of individual methods and improve theiraccuracy There are several statistical and computational intelligence methods forcategorizing companies A common statistical method for categorizing companies into twogroups of bankrupt and non bankrupt is use of logistic regression models the futureprobabilities of membership in each category The logistic regression model by consideringa linear combination of explanatory characteristics One of the most widely used methodsfor answering the classification of nonlinear patterns in data is artificial neural network neither all categorization problems are separable linear nor not separable non linear therefore in this thesis adding nonlinear explanatory variables of probable neural network PNN and multilayer perceptron neural network MLP In to logistic regression classification of linear and nonlinear patterns in data is simultaneously discussed by addingbesides logistic regression models probabilistic neural network and perceptron neuralnetwork are certain modeling methods and therefore so they are not able to model uncertainpatterns in the data In the other words The hybrid model of these methods can model onlythe linear and nonlinear patterns in data Therefore fuzzy logic is also used to complete theproposed model In this way the proposed hybrid method can simultaneously model certainlinear patterns certain non linear patterns uncertain linear patterns and certain nonlinearpatterns After estimating all parameters the proposed fuzzy logistic model is comparedwith logistic model fuzzy logistics probabilistic neural network perceptron neural networkand several other methods with using of by several datasets The results of experimentsshowed superiority of this method to other ones Keywords Bankruptcy prediction Logistic regression Fuzzy logic Neural networks Combined methods
استاد راهنما :
رضا حجازي، مهدي خاشعي
استاد داور :
رئيسي اردلي، مهدي بيجاري
