شبکه های عصبی شعاعی آموزش یافته بر پایه متغیرهای مدل های آماری و مقایسه آن ها در پیش بینی ورشکستگی

امروزه شبکه های عصبی مصنوعی جایگاه ویژه ای در حیطه مالی پیدا کرده است. پژوهش حاضر به دنبال یافتن روش بهتر برای ساخت و آموزش شبکه های عصبی مصنوعی است که منجر به پیش بینی دقیق تر در موضوع ورشکستگی شود. در این میان سه شبکه عصبی از نوع توابع شعاع مدار ساخته شد که به صورت جداگانه توسط متغیرهای مدل آلتمن (1983)، اسمایوسکی (1984) و ترکیبی آموزش داده شدند. پس از سنجش توانایی سه مدل در پیش بینی ورشکستگی با استفاده از آزمون دقیق فیشر و مک نمار، دقت آن ها مورد مقایسه قرار گرفته است. نمونه مورد آزمون شامل شرکت های عضو بورس اوراق بهادار تهران در بین سال های 1383 تا 1390 می باشد. یافته ها نشان می دهند که هر سه مدل توانایی پیش بینی ورشکستگی را دارند و از بین آن ها مدل آموزش یافته با متغیرهای مدل آلتمن دقیق تر از دو مدل دیگر قادر به انجام این امر است.