خانه / مقالات انگلیسی با ترجمه / حسابداری و اقتصاد / مقاله انگلیسی پیش بینی ورشکستگی با استفاده از نسبت های مالی تصویر شده و شبکه های عصبی کانولوشن

مقاله انگلیسی پیش بینی ورشکستگی با استفاده از نسبت های مالی تصویر شده و شبکه های عصبی کانولوشن

مقالات مرتبط با این موضوع
مقالات ترجمه شده رشته اقتصاد

مقالات ترجمه شده حسابداری

مقالات ترجمه شده مدیریت مالی

مقالات ترجمه شده شبکه های عصبی

مقالات ترجمه شده گزارشگری مالی

مقالات ترجمه شده ورشکستگی

مقالات ترجمه شده درباره پیش بینی

دانلود رایگان مقاله بیس انگلیسی 

کد محصول: H422

قیمت فایل ترجمه شده: برای اطلاع از هزینه و مدت زمان انجام ترجمه با پشتیبانی وب سایت تماس حاصل نمایید (۰۹۳۷۲۵۵۵۲۴۰)

تعداد صفحه انگلیسی:  ۴۰

سال نشر: ۲۰۱۹

عنوان فارسی:

مقاله انگلیسی 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

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……..

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.