قدرت اله برزگر

هدف اصلی مقاله شناسایی متغیرهای مالی موثر در پیش‌بینی احیای مالی شرکت­های پذیرفته‌شده در بورس اوراق بهادار تهران و بهره‌مندی از رویکرد هوش مصنوعی در تحلیل داده‌های مربوط به 173 شرکت درمانده احیاشده طی دوره زمانی 1383 – 1399 بود. در این رویکرد، نخست با استفاده از الگوریتم­های انتخاب ویژگی‌های لارس و رلیف، از میانِ 54 متغیر مالیِ منتخب، 10 متغیر مهم و موثر در احیای مالی شرکت­های نمونه، شناسایی شد. در ادامه، برای ارزیابی دقت نتایج متغیرهای شناسایی‌شده در پیش‌بینی احیای مالی از الگوریتم­های یادگیر ماشین بردار پشتیبان و درخت تصمیم استفاده شد. نتایج نشان داد متغیرهای برگزیده با روش انتخاب ویژگی‌ لارس و ارزیابی دقت با الگوریتم ماشین بردار پشتیبان نسبت به روش انتخاب ویژگی رلیف و ارزیابی دقت با الگوریتم درخت تصمیم، عملکرد بهتری در پیش‌بینی زمان خروج از درماندگی داشته است. همچنین، نتایج آشکار کرد که بدون لحاظ کردنِ روش­های انتخاب ویژگی، ماشین یادگیر بردار پشتیبان در مقامِ مقایسه با درخت تصمیم، در پیش­بینی زمان خروج از درماندگی، از قدرت پیش­بینی بالاتری برخوردار است. براساس نتایج، به سرمایه‌گذاران بازار سرمایه در انتخاب پرتفوی سرمایه‌گذاری پیشنهاد می‌شود برمبنای متغیرهای مالی موثر در پیش‌بینی احیای مالی و ماشین یادگیر بردار پشتیبان، شرکت‌های مستعد خروج از درماندگی را شناسایی و اقدام به سرمایه‌گذاری نمایند