| تعداد نشریات | 52 |
| تعداد شماره‌ها | 2,105 |
| تعداد مقالات | 21,875 |
| تعداد مشاهده مقاله | 93,520,132 |
| تعداد دریافت فایل اصل مقاله | 28,014,064 |
مدل سازی پیش بینی درماندگی مالی با استفاده از الگوریتم یادگیری جمعی XGBoost | ||
| اقتصاد پولی مالی | ||
| مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از تاریخ 10 خرداد 1404 | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22067/mfe.2025.92274.1513 | ||
| نویسندگان | ||
| حامد علیزاده بیرجندی* 1؛ کریم نخعی2؛ آرزو خسروانی3 | ||
| 11. دانشجوی دکتری حسابداری، واحد سمنان، دانشگاه آزاد اسلامی، سمنان، ایران. | ||
| 22. استادیار گروه حسابداری، واحد بیرجند، دانشگاه آزاد اسلامی، بیرجند، ایران | ||
| 3استادیار گروه حسابداری، واحد سمنان، دانشگاه آزاد اسلامی، سمنان، ایران. | ||
| چکیده | ||
| هدف پژوهش حاضر مدل سازی پیش بینی درماندگی مالی با استفاده از الگوریتم یادگیری جمعی XGBoost در شرکت های پذیرفته شده در بورس اوراق بهادار تهران می باشد. جامعه آماری پژوهش شرکت های پذیرفته شده در بورس اوراق بهادار تهران در طی دوره زمانی 1391 تا 1402 و روش نمونه گیری غربالگری می باشد. در همین راستا 1800 مشاهده (150 شرکت برای 12 سال) مشاهده جمع آوری شده از گزارش های مالی سالیانه مورد آزمون قرار گرفته اند. در پژوهش حاضر متغیرهای مستقل با توجه به مبانی نظری و پیشینه تجربی پژوهش داخلی و خارجی شامل 52 متغیر در دو دسته متغیرهای حسابداری و غیرحسابداری تعیین گردید. نتایج حاکی از صحت کلی الگوریتم یادگیری جمعی XGBoost و رگرسیون لوجیت به ترتیب 97.8% و 92.1% می باشد و نشان می دهد در مقایسه با رگرسیون لوجیت، الگوریتم XGBoost عملکرد بهتری را در پیش بینی شرکت های دارای درماندگی مالی دارد. به عبارت دیگر، نتایج نشان دهنده کارآ بودن الگوریتم تکنیک یادگیری جمعی XGBoost نسبت به رگرسیون لوجیت می باشد. بنابراین الگوریتم XGBoost کاراترین مدل را برای پیش بینی درماندگی مالی را فراهم می کند. | ||
| کلیدواژه‌ها | ||
| درماندگی مالی؛ یادگیری جمعی؛ الگوریتم XGBoost؛ رگرسیون لوجیت | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 25 |
||