پارس پروژه پرتال خدمات دانشگاهی
این مقاله علمی پژوهشی (isi) به زبان انگلیسی همراه با ترجمه تخصصی از نشریه الزویر مربوط به سال ۲۰۱۹ دارای ۴۰ صفحه ی انگلیسی با فرمت PDF و ۳۶ صفحه ترجمه فارسی به صورت فایل WORD قابل ویرایش می باشد در ادامه این صفحه لینک دانلود رایگان مقاله انگلیسی ، بخشی از ترجمه فارسی مقاله و لینک خرید آنلاین ترجمه ی کامل مقاله موجود می باشد.
کد محصول: H422
سال نشر: ۲۰۱۹
نام ناشر (پایگاه داده): الزویر
نام مجله: Expert Systems With Applications
نوع نگارش مقاله: علمی پژوهشی (Research articles)
تعداد صفحه انگلیسی: ۴۰ صفحه PDF
تعداد صفحه ترجمه فارسی: ۳۶ صفحه WORD
قیمت فایل ترجمه شده: ۳۴۰۰۰ تومان
عنوان فارسی:
مقاله انگلیسی ترجمه شده ۲۰۱۹ : پیش بینی ورشکستگی با استفاده از نسبت های مالی تصویر شده و شبکه های عصبی کانولوشن
عنوان انگلیسی:
Bankruptcy prediction using imaged nancial ratios and convolutional neural networks
برای دانلود رایگان مقاله انگلیسی بر روی دکمه ذیل کلیک نمایید
وضعیت ترجمه: این مقاله به صورت کامل و تخصصی ترجمه شده برای خرید ترجمه کامل مقاله بر روی دکمه ذیل کلیک نمایید (لینک دانلود بلافاصله بعد از خرید نمایش داده می شود)
مقالات مرتبط با این موضوع: برای مشاهده سایر مقالات مرتبط با این موضوع (با ترجمه و بدون ترجمه) بر روی دکمه ذیل کلیک نمایید
چکیده فارسی:
شبکه های عصبی کانولوشن برای شناسایی مشکلات در زمینه های مختلف مورد استفاده قرار می گیرند و در بعضی از سطوح، دقت بالاتری از روش های معمول دارد. با این حال، استفاده از شبکه های عصبی کانولوشن در تحلیل های مالی تنها در تعداد کمی از مطالعات در مورد پیش بینی تحرکات قیمت سهام گزارش شده است. به نظر می رسد دلیل این امر این است که شبکه های عصبی کانولوشن مناسب برای کاربرد در تصاویر هستند و کمتر برای داده های عددی کلی از جمله صورت های مالی استفاده می شود. از این رو، در این تحقیق، برای اعمال یک شبکه عصبی کانولوشن برای پیش بینی ورشکستگی شرکت ها ، که در بیشتر موارد به عنوان یک مسئله طبقه بندی دو کلاسه تلقی شده، تلاش می شود. از صورت های مالی (ترازنامه ها و صورت های سود و زیان) ۱۰۲ شرکت که از بازار سهام ژاپن به علت ورشکستگی واقعی خارج شده بودند و صورت های مالی ۲۰۶۲ شرکت که در چهار دوره مالی متوالی در بورس بودند ، استفاده شد. در روش پیشنهادی ما مجموعه ای از نسبت های مالی از صورت های مالی به دست می آید و به عنوان یک تصویر با مقیاس خاکستری ارائه می شود. تصویر تولید شده توسط این فرآیند برای آموزش و آزمایش یک شبکه عصبی کانولوشن استفاده می شود. علاوه بر این، اندازه مجموعه داده با استفاده از میانگین وزنی برای ایجاد نقاط داده ترکیبی افزایش می یابد. در مجموع ۷۵۲۰ تصویر برای طبقه بندی شرکت های ورشکسته و مستمر(شرکت هایی که به کار خود ادامه می دهند) برای آموزش شبکه عصبی کانولوشن بر اساس GoogleLeNet استفاده می شود. پیش بینی های ورشکستگی از طریق شبکه آموزش دیده نشان از عملکرد بالاتر این روش در مقایسه با روش های درخت تصمیم گیری، تجزیه و تحلیل تفکیک خطی ، ماشین های بردار پشتیبانی، پرسپترون چند لایه ای، AdaBoost، و یا Altman’s Z ,دارد.
کلید واژه ها: یادگیری عمیق؛ شکست کسب و کار؛ گزارشگری مالی؛ تصویرسازی
۱.مقدمه
پیش بینی دقیق عملکرد آینده شرکت برای سرمایه گذاران جهت کسب سود در معاملات اوراق بهادار مهم می باشد. یک مثال از این پیش بینی، احتمال ورشکستگی شرکت می باشد. زمانیکه شرکتها دچار ورشکستگی می شوند، احتمال بالایی وجود دارد که از بورس اوراق بهادار خارج شوند، و این نیز تاثیر قابل توجهی بر سرمایه گذاران دارد. بنابراین، در بورس اوراق بهادار شرکتهایی که در خطر بالای خروج از بورس قراردارند، بعنوان سهام تحت نظارت تلقی می شوند. شناسایی علائم ورشکستگی در مرحله اول برای سرمایه گذاران سودمند است…
۵.نتیجه گیری
ما برای اعمال CNN در پیش بینی ورشکستگی، روشی پیشنهاد کرده ایم. مجموعه نسبت های مالی روش در روش ما بصورت تصویر سیاه سفید ارائه شده است که در آن هر نسبت مالی با موقعیت ثابت پیکسل متناظر است و تصاویر ایجاد شده بعنوان داده آموزشی برای CNN مبتنی بر GoogLeNet استفاده شده اند. ارزیابی عددی نشان داد که تخصیص موقعیت های پیکسل مجاور به نسبت مالی با همبستگی بالا برای هدف ما مناسب تر از قرارددن آنها بصورت تصادفی می باشد. تحلیل ما نشان داد که روش پیشنهادی با استفاده از CART, LDA, SVM, MLP, AdaBoost و عدد زد آلتمن نسبتبه روشهای متعارف جایگزین عملکرد بهتری دارد. بعلاوه، روش پیشنهادی تبدیل نسبت مالی به تصویر دارای قابلیت استفاده در داده های عددی کلی درزمینه های مختلف بجز پیش بینی ورشکستگی می باشد…
Abstract
Convolutional neural networks are being applied to identification problems in a variety of fields, and in some areas are showing higher discrimination accuracies than conventional methods. However, applications of convolutional neural networks to financial analyses have only been reported in a small number of studies on the prediction of stock price movements. The reason for this seems to be that convolutional neural networks are more suitable for application to images and less suitable for general numerical data including financial statements. Hence, in this research, an attempt is made to apply a convolutional neural network to the prediction of corporate bankruptcy, which in most cases is treated as a two-class classification problem. We use the financial statements (balance sheets and profit-and-loss statements) of 102 companies that have been delisted from the Japanese stock market due to de facto bankruptcy as well as the financial statements of 2062 currently listed companies over four financial periods. In our proposed method, a set of financial ratios are derived from the financial statements and represented as a grayscale image. The image generated by this process is utilized for training and testing a convolutional neural network. Moreover, the size of the dataset is increased using the weighted averages to create synthetic data points. A total of 7520 images for the bankrupt and continuing enterprises classes are used for training the convolutional neural network based on GoogLeNet. Bankruptcy predictions through the trained network are shown to have a higher performance compared to methods using decision trees, linear discriminant analysis, support vector machines, multi-layer perceptron, AdaBoost, or Altman’s Z′′-score.
Keywords: Deep learning; business failure; financial statement; imagin
Introduction
An accurate prediction of the future performance of an enterprise is important for investors to generate profits in securities trading. One typical example of such a prediction is the probability of a company going bankrupt. When com- 5 panies fall into bankruptcy, there is a high possibility that they will be delisted, which has a major impact on investors. Hence, in stock exchanges, companies that are at high risk of being delisted are designated as supervised stocks. It is thus extremely beneficial for investors to recognize the signs of bankruptcy at an early stage…
۵.Conclusions
We have proposed a method for applying a CNN to bankruptcy prediction. In our method, a set of financial ratios are represented as a grayscale image where each financial ratio corresponds to a fixed pixel position, and the generated images are used as training data for a CNN based on GoogLeNet. A numerical evaluation revealed that allocating neighboring pixel positions to highly correlated financial ratios is more appropriate for our purpose than placing them at random. Our analysis also indicated that the proposed method outperforms representative conventional methods using CART, LDA, SVM, MLP, AdaBoost and Altman’s Z00-score. Furthermore, the proposed method of conversion from financial ratios to an image has the potential to be applied to general numerical data in a variety of contexts other than bankruptcy prediction…
| مقالات مرتبط با این موضوع |
|
مقالات ترجمه شده شبکه های عصبی |