مدیریت استراتژیک هوشمند

مدیریت استراتژیک هوشمند

ارائه یک مدل هشدار زودهنگام درماندگی مالی برای شرکت‌های پذیرفته شده در بورس اوراق بهادار تهران از منظر ریسک سیستماتیک

مقالات آماده انتشار

نوع مقاله : مقاله پژوهشی

نویسندگان
حمید محمدی 1
عزت اله عباسیان 2
وحید محمودی 3
1 دانشجوی دکتری رشته مهندسی مالی و مدیریت ریسک، پردیس بین المللی ارس، دانشگاه تهران، تهران، ایران.
2 استاد، گروه مهندسی مالی، دانشکدگان مدیریت دانشگاه تهران، تهران، ایران.
3 استاد، گروه بازارها و نهادهای مالی، دانشکدگان مدیریت دانشگاه تهران، تهران، ایران.
10.87453/bumara.2026.372301.4807
چکیده
در این پژوهش، مسئله اصلی به چالش پیش‌بینی دقیق درماندگی مالی شرکت‌ها در شرایط پیچیده و پویای بازار سرمایه ایران بازمی‌گردد. با توجه به محدودیت مدل‌های سنتی مبتنی بر نسبت‌های مالی و ناتوانی آن‌ها در شناسایی روابط غیرخطی و پنهان میان متغیرهای مالی، نیاز به بهره‌گیری از رویکردهای داده‌محور و الگوریتم‌های هوشمند بیش از پیش احساس می‌شود. هدف اصلی این پژوهش، طراحی و ارزیابی یک چارچوب ترکیبی مبتنی بر شاخص‌های مالی استخراج‌شده از تحلیل مؤلفه‌های اصلی و الگوریتم‌های یادگیری ماشین برای پیش‌بینی درماندگی مالی شرکت‌های پذیرفته‌شده در بورس اوراق بهادار تهران است.
این پژوهش از نظر روش، کاربردی و از نوع توصیفی تحلیلی بوده و با رویکرد داده‌محور انجام شده است. داده‌های مورد استفاده شامل اطلاعات مالی و بازار شرکت‌ها در بازه زمانی 1390 تا 1403 بوده و از پایگاه‌های اطلاعاتی بازار سرمایه ایران استخراج شده است. در این مطالعه ابتدا شاخص‌های ترکیبی مالی شامل سودآوری، ریسک، رشد، کارایی عملیاتی و ورشکستگی با استفاده از تحلیل مؤلفه‌های اصلی استخراج گردید. سپس برای پیش‌بینی درماندگی مالی از الگوریتم XGBoost و رویکردهای Ensemble و Bagging استفاده شد و عملکرد مدل‌ها با معیارهایی نظیر دقت، حساسیت، ویژگی، F1-score و ROC-AUC ارزیابی گردید.
نتایج پژوهش نشان داد که مدل‌های مبتنی بر یادگیری ماشین به ویژه XGBoost در مقایسه با روش‌های سنتی، از قدرت پیش‌بینی بالاتری برخوردارند. همچنین استفاده از شاخص‌های ترکیبی موجب بهبود دقت مدل‌ها و کاهش خطای پیش‌بینی شده است. یافته‌ها تأکید می‌کند که ترکیب داده‌های مالی و رویکردهای هوش مصنوعی می‌تواند چارچوبی کارآمد برای پیش‌بینی درماندگی مالی و تصمیم‌گیری در بازار سرمایه فراهم سازد.
کلیدواژه‌ها
درماندگی مالی
یادگیری ماشین
XGBoost
شاخص‌های ترکیبی مالی
بورس اوراق بهادار تهران
موضوعات

عنوان مقاله English

Presenting a financial distress early warning model for companies listed on the Tehran Stock Exchange from the perspective of systemic risk

نویسندگان English

Hamid Mohammadi 1
Ezatollah Abbasian 2
Vahid Mahmoudi 3
1 PhD student in Financial Engineering and Risk Management, Aras International Campus, University of Tehran, Tehran, Iran.
2 Professor, Department of Financial Engineering, Faculty of Management, University of Tehran, Tehran, Iran.
3 Professor, Department of Financial Markets and Institutions, Faculty of Management, University of Tehran, Tehran, Iran.
چکیده English

In this study, the main problem is related to the challenge of accurately predicting corporate financial distress in the complex and dynamic environment of the Iranian capital market. Given the limitations of traditional financial ratio-based models and their inability to capture nonlinear and hidden relationships among financial variables, there is an increasing need to adopt data-driven approaches and intelligent algorithms. The main objective of this research is to design and evaluate a hybrid framework based on financial composite indicators extracted through principal component analysis and machine learning algorithms for predicting financial distress of firms listed on the Tehran Stock Exchange.
Methodologically, this study is applied and descriptive-analytical in nature with a data-driven approach. The required data include financial and market information of companies over the period 2011 to 2024, extracted from Iranian capital market databases. First, composite financial indicators including profitability, risk, growth, operational efficiency, and bankruptcy-related factors were derived using principal component analysis. Then, the XGBoost algorithm along with ensemble and bagging methods was employed for prediction purposes, and model performance was evaluated using accuracy, precision, recall, specificity, F1-score, and ROC-AUC metrics.
The results indicate that machine learning-based models, particularly XGBoost, outperform traditional approaches in terms of predictive accuracy. Moreover, the use of composite indicators significantly improves model performance and reduces prediction error. The findings confirm that integrating financial data with artificial intelligence techniques provides an efficient framework for financial distress prediction and decision-making in capital markets.

کلیدواژه‌ها English

Financial Distress
Machine Learning
XGBoost
Composite Financial Indicators
Tehran Stock Exchange
احمدپور، احمد، شهسواری، معصومه، و عموزادخلیلی، علیرضا. (1395). بررسی عوامل مؤثر بر ریسک ورشکستگی مالی شرکت‌ها. مطالعات تجربی حسابداری مالی، 13(51)، 1-26.
اعتمادی، حسین، و عبدلی، لیلا. (1394). هموارسازی سود و عملکرد قیمت سهام در بحران مالی. حسابداری مالی، 7(25)، 1-28.
جهانخانی، علی، پارسائیان، علی. (1376). مدیریت سرمایه‌گذاری و ارزیابی اوراق بهادار، انتشارات دانشکده مدیریت دانشگاه تهران، 40-57.
حق پرست، عباسعلی، مومنی، علیرضا، گرد، عزیز، و منصوری، فردین. (1400). نقش نسبت‌های مالی تصویری در پیش‌بینی ورشکستگی شرکت‌ها با استفاده از مدل شبکه‌های عصبی کانولوشن و مقایسه آن با مدل‌های سنتی. بررسیهای حسابداری و حسابرسی، 28(3)، 553-573.
حق‌پرست، محمد، و همکاران. (1400). پیش‌بینی ورشکستگی با شبکه عصبی کانولوشن. پژوهش‌های حسابداری مالی، 10(2)، 33-60.
راموز، سعید، و محمودی، حمید. (1396). شبکه عصبی در پیش‌بینی ورشکستگی شرکت‌ها. حسابداری و حسابرسی ایران، 24(2)، 45-70.
رستمی، محمدرضا، مقدسی بیات، مریم، و مقامی، ریحانه. (1395). تحلیل رابطه ریسک غیرسیستماتیک و بازده سهام مبتنی بر رگرسیون چندک و رهیافت بیزی. چشم انداز مدیریت مالی، 6(4 (16))، 135-151.
عزیزی، رضا. (1400). مدل‌سازی پیش‌بینی ورشکستگی با استفاده از الگوریتم‌های هوش مصنوعی. فصلنامه حسابداری مدیریت، 18(3)، 55-78.
عزیزی، صدیقه. (1400). مدل بندی و تعیین توان مدیریت سرمایه در گردش در پیش‌بینی ورشکستگی مالی شرکت‌ها با استفاده از الگوریتم‌های هوش مصنوعی. دانش مالی تحلیل اوراق بهادار (مطالعات مالی)، 14(51)، 171-190.
قاسمی، رضا، و همکاران. (1403). تاب‌آوری مالی در شرکت‌های بورس تهران. مطالعات مالی و مدیریت ریسک، 9(2)، 50-82.
قاسمی، مریم، صراف، فاطمه، احدی، یوسف و جعفری، سید محبوبه. (1403). ارائه الگوی تاب‌آوری مالی در شرکت‌های بورس اوراق بهادار تهران در راستای پیشگیری از ورشکستگی. دانش سرمایه‌گذاری، 13(51)، 623-643.
کردستانی، غلامرضا، غیور، فرزاد، و آشتاب، علی. (1390). مقایسه کارآیی نسبت‌های مالی مبتنی بر روش نقدی و روش تعهدی در پیش‌بینی درماندگی مالی شرکت‌های پذیرفته شده در بورس اوراق بهادار تهران. بورس اوراق بهادار، 4(15)، 191-205.
کریمی پاشازاده، محمد، و احدزاده نمین، علی. (1401). تحلیل پوششی داده‌ها و پیش‌بینی ورشکستگی. پژوهش‌های حسابداری کاربردی، 11(3)، 88-115.
کریمی پاشاکی، مجتبی و احدزاده نمین، مهناز. (1401). مدل پیش‌بینی ورشکستگی مالی با رویکرد دوسطحی در تحلیل پوششی داده‌ها با شاخص‌های نیمه مثبت و منفی. تصمیم گیری و تحقیق در عملیات، 7(4)، 581-595.
هکی، قربان، صادقی عمروآبادی، بهروز و داودی، سید محمدرضا. (1402). بررسی اثرات انواع جریان وجه نقد و سهامداران کنترلی بر ارتباط مدیریت سود و عملکرد مالی جهت پیش‌بینی ورشکستگی مالی (الگوریتم کرم شب تاب)، فصلنامه اقتصاد مالی، 17(64)، 159-185.
وقفی، سیدحسام. (1398). کاربرد الگوریتم هوش مصنوعی در پیش‌بینی ورشستگی با استفاده از متغیرهای کلان اقتصادی و حسابداری در شرکت‌های پذیرفته شده بورس اوراق بهادار تهران. تصمیم گیری و تحقیق در عملیات، 4(ویژه نامه 1)، 62-77.
ولی زاده لاریجانی، عطیه، و بنی مهد، بهمن. (1401). اقلام صورت‌های مالی، چرخه عمر و ورشکستگی شرکت. پژوهش‌های تجربی حسابداری، 12(44)، 91-110.
Acharya, V. V., Pedersen, L. H., Philippon, T., & Richardson, M. (2017). Measuring systemic risk. The review of financial studies, 30(1), 2-47.‏
Allen, L., Bali, T. G., & Tang, Y. (2012). Does systemic risk in the financial sector predict future economic downturns?. The Review of Financial Studies, 25(10), 3000-3036.
Altman, E. I. (1968). Financial ratios, discriminant analysis and bankruptcy prediction. Journal of Finance, 23, 589-609.
Altman, E. I., Iwanicz-Drozdowska, M., Laitinen, E. K., & Suvas, A. (2017). Financial distress prediction in international context. Journal of International Financial Management, 28(2), 131-171.
Banulescu-Radu, D., Hurlin, C., Leymarie, J., & Scaillet, O. (2021). Backtesting marginal expected shortfall and related systemic risk measures. Management science, 67(9), 5730-5754.‏
 Bateni, L., & Asghari, F. (2020). Bankruptcy prediction using logit and genetic algorithm models. Computational Economics, 55(1), 335-348.
Chen, T., & He, T. (2015, August). Higgs boson discovery with boosted trees. In NIPS 2014 workshop on high-energy physics and machine learning, PMLR, 69-80
du Jardin, P. (2016). A two-stage classification technique for bankruptcy prediction. European Journal of Operational Research, 254(1), 236-252.‏
Ganguly, S., & Sadaoui, S. (2017). Classification of imbalanced auction fraud data. In Advances in Artificial Intelligence: 30th Canadian Conference on Artificial Intelligence, Canadian AI 2017, Edmonton, AB, Canada, May 16-19, 2017, Proceedings 30 (pp. 84-89). Springer International Publishing.‏
Gu, Y., & Cheng, L. (2018). Classification of unbalanced data based on MTS-AdaBoost. Journal of Applied Computing Research, 35, 346-348.‏
Huang, Y. P., & Yen, M. F. (2019). A new perspective of performance comparison among machine learning algorithms for financial distress prediction. Applied Soft Computing, 83, 105663.‏
Ivashina, V., & Scharfstein, D. (2010). Bank lending during the financial crisis of 2008. Journal of Financial economics, 97(3), 319-338.‏
 Jia, Z., Shi, Y., Yan, C., & Duygun, M. (2020). Bankruptcy prediction with systemic risk. European Journal of Finance, 26(7-8), 666-690.
Karami, G., et al. (2021). Bankruptcy prediction in Tehran Stock Exchange. International Business Research, 5(8), 147-170.
Kim, K. H., & Sohn, S. Y. (2020). Hybrid neural network with cost-sensitive support vector machine for class-imbalanced multimodal data. Neural Networks, 130, 176-184.‏
Kou, G., Xu, Y., Peng, Y., Shen, F., Chen, Y., Chang, K., & Kou, S. (2021). Bankruptcy prediction for SMEs using transactional data and two-stage multiobjective feature selection. Decision Support Systems, 140, 113429.‏
Liu, J., Li, C., Ouyang, P., Liu, J., & Wu, C. (2023). Interpreting the prediction results of the tree‐based gradient boosting models for financial distress prediction with an explainable machine learning approach. Journal of Forecasting, 42(5), 1112-1137.‏
Liyu, X., & Xiaoqun, H. (2020). Data imbalance in credit score model based on resampling method. Management Review, 32(3), 75.‏
Mohtashami, M. (2023). Machine learning for bankruptcy prediction. Journal of Resource Management and Decision Engineering.
Nucera, F., Schwaab, B., Koopman, S. J., & Lucas, A. (2016). The information in systemic risk rankings. Journal of Empirical Finance, 38, 461-475.‏
Pang, C., & Wang, Y. (2020). Stock pledge, risk of losing control and corporate innovation. Journal of Corporate Finance, 60, 101534.‏
Petropoulos, A., Siakoulis, V., Stavroulakis, E., & Vlachogiannakis, N. E. (2020). Predicting bank insolvencies using machine learning techniques. International Journal of Forecasting, 36(3), 1092-1113.‏
Qian, H., Wang, B., Yuan, M., Gao, S., & Song, Y. (2022). Financial distress prediction using a corrected feature selection measure and gradient boosted decision tree. Expert Systems with Applications, 190, 116202.‏
Ruan, S. M., Du, X. D., Li, W., & Chen, X. (2022). Data elements, Chinese information and intelligent financial risk identification. Econ. Probl, 1, 107-113.‏
Shahriari, M. R., et al. (2025). DEA–PCA approach for bankruptcy prediction. Accounting and Auditing with Applications.
Tarighi, H., et al. (2022). Financial distress risk and reporting quality. Sustainability, 14(2), 742.
Wang, W., & Liang, Z. (2024). Financial Distress Early Warning for Chinese Enterprises from a Systemic Risk Perspective: Based on the Adaptive Weighted XGBoost-Bagging Model. Systems, 12(2), 1-17.
Xia, Y., Liu, C., Li, Y., & Liu, N. (2017). A boosted decision tree approach using Bayesian hyper-parameter optimization for credit scoring. Expert systems with applications, 78, 225-241.‏
Xiang, H., & Yang, Y. (2019). Survey on imbalanced data mining methods. Comput. Eng. Appl, 55(4), 1-16.‏
Yang, Z. H., Zhang, P. M., & Lin, S. H. (2020). Systemic risk and corporate financial distress forecasting from the new perspective of machine learning. J. Financ. Res, 506, 152-170.‏
Zadeh, M. M. (2020). Bankruptcy prediction using ANN and SVM. Journal of Development and Capital.
Zięba, M., Tomczak, S. K., & Tomczak, J. M. (2016). Ensemble boosted trees with synthetic features generation in application to bankruptcy prediction. Expert systems with applications, 58, 93-101.‏
مدیریت استراتژیک هوشمند

مقالات آماده انتشار، پذیرفته شده
انتشار آنلاین از 10 خرداد 1405