التنبؤ بالتعثر عن سداد تعهدات الأسهم باستخدام التعلم الآلي
DOI:
https://doi.org/10.59994/ajbtme.2024.2.22الكلمات المفتاحية:
التنبؤ الافتراضي، التعلم الآلي، تعهد الأسهم، خوارزميات التصنيف، إدارة المخاطر، تحليل البيانات الماليةالملخص
تتناول هذه الدراسة التنبؤ بالتعثر عن سداد تعهدات الأسهم باستخدام تقنيات التعلم الآلي، وهو موضوع بالغ الأهمية في مجال الاقتصاد والتمويل. وعلى وجه التحديد، تهدف الدراسة إلى تطوير نماذج قادرة على تحديد المخاطر المرتبطة بالتعثر عن سداد تعهدات الأسهم، وتمكين المستثمرين والمقرضين من اتخاذ قرارات مالية مستنيرة. تتكون مجموعة البيانات المستخدمة من (1442) صفًا و(62) عمودًا، بما في ذلك المؤشرات المالية مثل نسب التعهدات وتقلب الأسهم والعوائد. أظهرت النتائج أن استخدام خوارزميات التعلم الآلي مثل أقرب جيران (KNN) ومصنف متجه الدعم (SVC) وشجرة القرار (DT) أدى إلى دقة عالية في التنبؤ بالتخلف عن السداد. أظهرت هذه النماذج أداءً ممتازًا، حيث حققت معدلات دقة تصل إلى (99٪) في بعض الحالات، مما يعكس قدرة هذه التقنيات على التعامل مع البيانات المالية المعقدة بشكل أكثر فاعلية من الطرق التقليدية. تسهم هذه الدراسة في الأدبيات المتعلقة بالتنبؤ بالمخاطر المالية من خلال توفير إطار متقدم يستخدم تقنيات التعلم الآلي، وبالتالي تعزيز فهم العوامل المؤثرة على التعثر عن سداد تعهدات الأسهم. وبهذا تسلط الدراسة الضوء أيضًا على أهمية معالجة اختلال التوازن في البيانات، مما يفتح آفاقًا جديدة لأبحاث مستقبلية في هذا المجال.
المراجع
Aliaj, T., Anagnostopoulos, A., & Piersanti, S. (2020). Firms default prediction with machine learning. In Mining Data for Financial Applications: 4th ECML PKDD Workshop, MIDAS 2019, Würzburg, Germany, September 16, 2019, Revised Selected Papers 4 (pp. 47-59). Springer International Publishing.
Behera, I., Nanda, P., Mitra, S., & Kumari, S. (2024). Machine Learning Approaches for Forecasting Financial Market Volatility. Machine Learning Approaches in Financial Analytics, 431-451.
Hanestan, F., Nathaniel, F., Kusuma, R. D., Gunawan, A. A. S., & Setiawan, K. E. (2024, July). Predicting Company Default Risks: A Machine Learning Perspective on Importance Features. In 2024 IEEE International Conference on Industry 4.0, Artificial Intelligence, and Communications Technology (IAICT) (pp. 304-309). IEEE.
Incerti, F., Bargagli-Stoffi, F. J., & Riccaboni, M. (2022, September). A two-country study of default risk prediction using bayesian machine-learning. In International Conference on Machine Learning, Optimization, and Data Science (pp. 188-192). Cham: Springer Nature Switzerland.
Kim, H., Cho, H., & Ryu, D. (2021). Predicting corporate defaults using machine learning with geometric-lag variables. Investment Analysts Journal, 50(3), 161-175.
Liu, J., Liu, Y., Ren, L., Li, X., & Wang, S. Trends and Trajectories: A Bibliometric Analysis of Financial Risk in Corporate Finance and Finance (2020-2024). Available at SSRN 4960436.
Nazareth, N., & Reddy, Y. V. R. (2023). Financial applications of machine learning: A literature review. Expert Systems with Applications, 219, 119640.
Rahayu, D. S., Suhartanto, H., & Husodo, Z. A. (2022). Machine Learning and Finance Model in Predicting Default: Merton-based Reasoning. Journal of Hunan University Natural Sciences, 49(2).
Song, Y., Wang, Y., Ye, X., Zaretzki, R., & Liu, C. (2023). Loan default prediction using a credit rating-specific and multi-objective ensemble learning scheme. Information Sciences, 629, 599-617.
Xia, S., Zhu, Y., Zheng, S., Lu, T., & Ke, X. (2024). A deep learning-based model for P2P microloan default risk prediction. International Journal of Innovative Research in Engineering and Management, 11(5), 110-120.
Kumar, A. (2023, March 27). Support vector machine (SVM) Python example. Vitalflux. https://vitalflux.com/
Hasni, M., Aguir, M. S., Babai, M. Z., & Jemai, Z. (2024). A Machine Learning Model for Accurate Credit Risk Forecasting in Banking Systems: An Empirical Investigation. International Journal of Supply & Operations Management, 11(2).
Alam, B. (2022, January 12). Decision tree Python – Easy tutorial. Hands-On.Cloud. https://hands-on.cloud/
Putri, D. D., Nama, G. F., & Sulistiono, W. E. (2022). Analisis Sentimen Kinerja Dewan Perwakilan Rakyat (DPR) Pada Twitter Menggunakan Metode Naive Bayes Classifier. Jurnal Informatika dan Teknik Elektro Terapan, 10(1).
Wang, A. X., Chukova, S. S., & Nguyen, B. P. (2023). Ensemble k-nearest neighbors based on centroid displacement. Information Sciences, 629, 313-323.
