١

جهت افزایش کارایی خطی غیرالگوریتم ژنتیککاربرد الگوریتم ژنتیک خطی و
ها در بازار سرمایه شرکتبینی بحران مالی پیش

2محمدرضا اولی1زهرا پورزمانی

چکیده

بنـابراین  .کشـد هم از لحاظ اجتماعی و هم از لحاظ اقتصادي کشور به چـالش مـی  رویدادي است که ورشکستگی 
تـوانیم از  اگر بتوانیم در مورد امکان وقوع ورشکستگی پیش از رخداد واقعی آن اطالعـاتی بـه دسـت آوریـم، مـی     

بینـی  هدف ایـن تحقیـق بررسـی قـدرت پـیش     . پیامدهاي اقتصادي و اجتماعی آن کاسته و یا حتی جلوگیري کنیم
لگوریتم ژنتیک غیرخطی جهت باال بردن توان تصمیم هاي الگوریتم ژنتیک خطی و ابحران مالی با استفاده از مدل

توجـه بـه نتـایج بدسـت     .ها مـی باشـد  هاي مالی در پیش بینی بحران مالی شرکتگیري استفاده کنندگان صورت
در دسـترس  بـر اسـاس اطالعـات و آمارهـاي     . آمده، الگوها با یکدیگر مقایسه و بهترین الگو استخراج شـده اسـت  

مشمول ماده هاي ، از بین شرکت1376-1389دوره طی در در بورس اوراق بهادار تهرانهاي پذیرفته شدهشرکت
نمـار بـراي   نتـایج آزمـون مـک   .شرکت انتخاب شد72ها نیز شرکت و از بین بقیه شرکت72، تجارتقانون141

90(غیرخطی بینی الگوریتم ژنتیکهاي الگوریتم ژنتیک  خطی و غیرخطی نشان داد اگرچه که دقت پیشتکنیک
. دار نیستاست ولی این تفاوت از لحاظ آماري معنی) درصد80(بیشتر از الگوریتم ژنتیک خطی ) درصد

الگوریتم ژنتیک غیر خطیالگوریتم ژنتیک خطی، بحران مالی، متغیرهاي مالی، :هاي کلیديواژه

zahra.poorzamani@yahoo.comدانشگاه آزاد اسالمی، واحد تهران مرکزي، تهران،استادیار، , زهرا,ورزمانیپ1-
mohammadreza_ola@yahoo.comتهران,واحد علوم و تحقیقات,دانشگاه آزاد اسالمی ,دانشجوي دکتري حسابداري ,اولی,محمدرضا-2



٢

مقدمه

ها دارند زیرا در صورت بحران مالی بنگاهبینیگذاران و اعتباردهندگان تمایل زیادي براي پیشسرمایه
هاي در چند دهه اخیر پژوهش).2002، 3ان و دیگرانندا(هاي زیادي به آنها تحمیل می شودورشکستگی هزینه

ها در هر چند نخستین تالش. بینی ورشکستگی انجام گرفته استخصوص پیشه اي در زمینه ورشکستگی بگسترده
تري و با تحقیق انجام گرفته توسط بیور این مقوله شکل جدي1966گردد اما از سال بر می1930این زمینه به سال 

بینی بحران مالی یا ورشکستگی یکی از نخستین محققانی است که به مطالعه پیش) 1966(4بیور. به خود گرفت
با ) 1968(پس از او، آلتمن . شودپرداخته است و به عنوان منادي تحقیقات آکادمیک در این زمینه محسوب می

. هاي آماري پیشرفته توانست به موفقیت چشمگیري دست یابداستفاده از روش

دهند ها کارایی خود را از دست میکند و در نتیجه متغیرهاي مورد استفاده در مدلبا گذشت زمان شرایط تغییر می
ها اند متفاوت از دیگر بخشریزي شدهپایه آن طرحها بر هاي اقتصادي که این مدلهمچنین سیستم). 2006، 5هابر(

بینی بحران مالی یا ورشکستگی هاي سنتی پیشروشاز سوي دیگر ). 2001، 6گریک و دوگان(و یا کشورها است 
بینی کننده یا داراي برخی مفروضات محدود کننده مانند خطی بودن، نرمال بودن و مستقل بودن متغیرهاي پیش

. هاي زیادي هستندهاي سنتی در ارتباط با میزان کارایی و اعتبار، داراي محدودیتروشنابراینب. ها استورودي
بینی بحران مالی یا هاي سنتی پیشهاي الگوریتم ژنتیک نسبت به سایر مدلکی از برتريیکهاز انجایی

ها یا برابري بودن توزیع نسبتکننده و نرمال هاي آماري محدودعدم وابستگی این الگوریتم بر فرضیه،ورشکستگی
بینی بحران مالی با استفاده از ، هدف این تحقیق بررسی قدرت پیشها استواریانس یا کوواریانس ماتریس نسبت

جهت باال بردن توان تصمیم و مقایسه آنها بایکدیگر هاي الگوریتم ژنتیک خطی و الگوریتم ژنتیک غیرخطی مدل
.می باشدها ي مالی در پیش بینی بحران مالی شرکتهاگیري استفاده کنندگان صورت

مبانی نظري و پیشینه پژوهش

هاي تکنیک،)کالسیک(هاي آماري بینی ورشکستگی بر اساس ماهیت خود در سه دسته تکنیکهاي پیشتکنیک
ها ترین تکنیکترین و رایجهاي آماري از ابتداییتکنیک. اندبندي شدهطبقههاي نظريهوش مصنوعی و مدل

٣
Adnan et al

٤ Beaver
٥ Haber
٦ Grice and Dugan



٣

شوند؛ هاي آماري خود به دو گروه تقسیم میمدل. روندبینی ورشکستگی به شمار میبندي پیشجهت مدل
هاي چند متغیره از فراوانی هاي آماري چند متغیره ، که در میان آنها مدلهاي آماري تک متغیره و مدلمدل

هاي تعدیل ناقص ، پروبیت، مجموع تجمعی و فرایندتحلیل تشخیصی، احتمال خطی، لوجیت. بیشتري برخور دارند
. هاي آماري چند متغیره هستندتشکیل دهنده تکنیک

استرشدحالدرو8ايرشتهمیانجدیدحوزهیکAIT(7(هاي هوش مصنوعیکاوي و تکنیکهاي دادهمدل
اینکاربردزمینهدرزیاديتحقیقات. )2009، 9تیساي(کنند بینیپیشراوکارهاکسبشکستاستقادرکه

و اعتماديتحقیقبهتوانمیمیاناینازکهاستانجام گرفتهو کارهاکسبشکستبینیپیشبرايهاتکنیک
و؛ مین)2009(12دیگرانولین؛)2009(11چنو؛ هانگ)2008(10و دیگران؛ هووانگ)2009(دیگران

اشاره ) 2010(17و وو) 2008(16لیو؛ سان)2008(15پرامودو؛ راوي)2008(14لیو؛ مین)2009(13جوونگ
یاوماشینپشتیبانبردارو،18تصمیمهايدرختعصبی،هايشبکهبهتوانمیهاتکنیکاینجملهاز. کرد

، 20ناهموارمجموعهتئوري،19ژنتیکهايالگوریتممانندمصنوعیهوشهايروشباهاتکنیکاینترکیبی از
.کرداشارهغیرهو21فازيمجموعهتئوري
شرکت، 500بینی ورشکستگی استفاده کرد نمونه او متشکل از از الگوریتم ژنتیک براي پیش) 1998(22وارتو

یک% 93بینینتایج این تحقیق بیانگر دقت پیش. شرکت غیر ورشکسته است264شرکت ورشکسته و 236شامل 
الگوي مبتنی بر الگوریتم ژنتیک را با ووارت. سه سال قبل از ورشکستگی است% 91.6سال قبل از ورشکستگی و 

الگوي تحلیل تشخیصی خطی مقایسه نمود ضمن بیان برتري الگوي الگوریتم ژنتیک در پیش بینی یک سال قبل از 
ع فراتر از الگوي الگوریتم ژنتیک دانست وقوع، الگوي تحلیل تشخیصی خطی را در پیش بینی سه سال قبل از وقو

٧ Artificial Intelligence techniques
٨ Interdisciplinary
٩ Tsai
١٠ Huang, Tsai, Yen, Cheng
١١ Hung, Chen
١٢ Lin and et al.
١٣ Min, Jeong
١٤ Min, Lee
١٥ Ravi, Pramodh
١٦ Sun, Li
١٧ Wu
١٨ Decision trees
١٩ Genetic algorithm
٢٠ Rough set theory
٢١ Fuzzy set theory
٢٢ Varetto



٤

از دیگر مطالعات .استو از طرفی بیان نمود که الگوي تحلیل تشخیصی خطی داراي ثبات و قابلیت تعمیم بیشتري 
.اشاره کرد) 2002(24و مک کی و لنزبرگ) 2002(23لیتوان به شین وانجام شده در این زمینه می

اب، الگوریتم ژنتیک و تحلیل تشخیصی چندگانه را با یکدیگر مقایسه نمود الگوریتم پیش انتخ)2004(کاواکامی
که نتایج وي بیانگر برتري الگوریتم پیش انتخاب نسبت به دو الگوي دیگر و از طرفی برتري الگوریتم ژنتیک 

.نسبت به تحلیل تشخیصی چندگانه می باشد
هاي پذیرفته شده در بورس اوراق بهادار را با شرکتبینی ورشکستگی بندي پیشمدل) 1384(زاده دهکردي فرج

وي جهت ساخت . ریزي ژنتیک مورد بررسی قرار داداستفاده از دو مدل تحلیل تشخیصی چندگانه و برنامه
ها در تهیه کرد و پس از بررسی نسبت) نسبت مالی93(هاي مالی هاي مذکور ابتدا فهرست کاملی از نسبتمدل

جهت ساخت مدل استخراج و در نهایت با استفاده از آزمون برابري میانگین دو جامعه، اقدام نسبت مالی42نهایت 
ریزي ژنتیک و تحلیل تشخیصی چندگانه توانستند در نهایت مدل برنامه. به ساخت دو مدل مورد بحث نمود

به صورت % 73و % 90هاي نمونه آزمایشی به ترتیب و شرکت% 77و % 94هاي نمونه آموزشی را به ترتیب شرکت
.بندي نمایدصحیح طبقه

الگوهاي مبتنی بر (بینی کننده بحران مالیهدف تحقیق خود را ساخت الگوهاي پیش) 1389(پورزمانی و دیگران
بینی بحران براي پیش) خطی و شبکه عصبیژنتیک خطی، الگوریتم ژنتیک غیر، الگوریتم MDAروش هاي سنتی

الگوهاي مبتنی بر روش هاي (در این تحقیق چهار الگوي پیش بینی بحران مالی. قراردادمالی دو سال قبل از وقوع
براي پیش بینی بحران مالی دو ) ژنتیک خطی، الگوریتم ژنتیک غیر خطی و شبکه عصبی، الگوریتم MDAسنتی

مقایسه و مشخص سپس با توجه به نتایج بدست آمده، الگوها با یکدیگر. سال قبل از وقوع آن تدوین شده است
. گردید الگوي مبتنی بر شبکه عصبی داراي باالترین توان در پیش بینی بحران مالی شرکت ها می باشد

هايعرضهقیمت گذاريجهتمناسببینیپیشابزارایجادپژوهشی تحت عنوان) 1388(عرب مازار و قاسمی
هايشبکهترکیبدهدمینشاننتایج.انجام دادندژنتیک الگوریتموعصبیهايشبکهوسیلهه اولیه بعمومی
میافزایشمحسوسیطوربهرابینیپیشقدرتبهینه،انتخاب متغیرهايمنظوربهژنتیکالگوریتمباعصبی

.دهد
ورشکستگیپیش بینیافزایش دقتژنتیک درالگوریتمازاستفادهدادندنشان) 1388(نژاد و اسکندريفدایی

توان نمیآمارينظرازکهدادنشانذراتتجمعیسازيبهینهژنتیک والگوریتمهايمدلمقایسهاما استموثر
بازاراز داده هايکهمدلیدادنشاننتایجهمچنین.داردبرتريدیگريبرهاروشاینازیکیکهنموداثبات

٢٣ Shin and Lee
٢٤ McKee and Lensberg



٥

ورشکستگیدرصد92/6تا تواندمیذرات آموزش ببیندتجمعیسازيبهینهالگوریتمطریقازوکردهاستفاده
.نمایدبینیپیشدرستیبهراهاشرکت

فرضیه تحقیق

:با توجه به اهداف مورد نظر در این تحقیق سه فرضیه تدوین شد
داراي توانمندي در پیش بینی بحران مالی استمبتنی بر الگوریتم ژنتیک خطی مدل: فرضیه اول

الگوریتم ژنتیک غیر خطی داراي توانمندي در پیش بینی بحران مالی استمبتنی بر مدل: دومفرضیه 
مبتنی بر الگوریتم مبتنی بر الگوریتم ژنتیک خطی بیشتر از مدلمدلبحران مالی بینی قدرت پیش: سومفرضیه 
.خطی استغیرژنتیک 

جامعه و نمونه آماري

هاي پذیرفته شده در بورس اوراق بهادار تهران طی دوره جامعه آماري مورد بررسی در این تحقیق، کلیه شرکت
-گروه اول شرکته به دو گروه عمده تقسیم می شوند؛ نمونه آماري شرکت هاي مورد مطالع. است1376-1389

-قانون تجارت شده141ی مشمول ماده که براي سه سال متوالمی باشدشرکت72هاي درگیر بحران مالی به تعداد 
هاي داراي سالمت شرکتبه همان تعداد نیز، هاي درگیر بحران مالی شرکتبراي مطابقت با  گروه دوم که . اند

گیري تصادفی انتخاب با استفاده از روش نمونهقانون تجارت نبودند141که مشمول ماده مالی یا بدون بحران مالی
هاي ورشکسته و غیر هاي پذیرفته شده در بورس اوراق، امکان انطباق شرکتبه دلیل محدودیت تعداد شرکت.شد

ها به عنوان یک متغیر بالقوه براي از آنجایی که اندازه شرکت. شدبامیورشکسته از نظر صنعت فعالیت میسر ن
. شودمیاساس اندازه شرکت نیز صرف نظر ها بر است، از انطباق شرکتبینی ورشکستگی در نظر گرفته شدهپیش

هاي ورشکسته انطباق داده هاي غیر ورشکسته تنها از نظر سال مالی با شرکتگیري، شرکتبنابراین در نمونه
. شوندمی

به دو گروه آموزشی و ها مجددپس از انتخاب شرکت هاي نمونه به صورت تصادفی هر یک از دو گروه شرکت
51گیرد، شامل مجموعه آموزشی که جهت ساخت و آموزش مدل مورد استفاده قرار می. آزمایشی تفکیک شدند

19شرکت ورشکسته و 21مجموعه آزمایشی که شامل . شرکت غیرورشکسته است53شرکت ورشکسته و 
. رودشرکت غیرورشکسته است به منظور بررسی میزان قابلیت تعمیم و روایی خارجی مدل حاصله به کار می



٦

ي تحقیقمتغیرها

نسبت مالی 23فهرستی متشکل از ،بینی بحران مالیمناسب براي پیشي مالیهادر این تحقیق جهت تعیین نسبت
1شرح جدول شماره ه باندبینی بحران مالی یا ورشکستگی به کار رفتهات قبلی براي پیشقاست که در تحقی

.استخراج شد
مالی براي ساخت مدل، موجب افزایش پیچیدگی مدل و کاهش کارایی آن نسبت 23از آنجایی که به کارگیري 

هاي مالی که داراي بیشترین توانایی در براي انتخاب نسبت) SDA(25تحلیل تشخیصی گام به گامشود از روش می
. هاي ورشکسته از غیرورشکسته هستند استفاده شدافتراق شرکت

به این ترتیب . کنداز نسبت واریانس درون گروهی به واریانس برون گروهی استفاده میSDAبراي انجام این امر
هاي ورشکسته و غیر ورشکسته است و همچنین داراي ی که داراي کمترین واریانس در هر یک از گروهنسبت مال

هاي اق شرکتبیشترین واریانس بین دو گروه ورشکسته و غیر ورشکسته است، داراي بیشترین قدرت در افتر
.هاي غیرورشکسته استورشکسته از شرکت

متغیرهاي مستقل استفاده شده در تحقیق. 1جدول 
نسبت مالیمتغیرنسبت مالیمتغیر
Xسرمایه در گردش به حقوق صاحبان سهام١Xهانسبت فروش به کل دارایی١٣
Xنسبت سرمایه در گردش به فروش٢Xهاداراییها به کل نسبت کل بدهی١٤
Xهانسبت سرمایه در گردش به کل بدهی٣Xهانسبت سود و زیان انباشته به کل دارایی١٥
Xهانسبت سرمایه در گردش به کل دارایی٤Xنسبت سود عملیاتی به فروش١٦

X٥
نسبت سود قبل از کسر بهره و مالیات به حقوق صاحبان 

X١٧سهام
نسبت هزینه مالی به سود ناخالص

Xنسبت سود قبل از کسر بهره و مالیات به فروش٦Xهانسبت دارایی جاري به کل دارایی١٨

Xهانسبت سود قبل از کسر بهره و مالیات به کل بدهی٧Xنسبت فروش به دارایی جاري١٩
Xهانسبت سود قبل از کسر بهره و مالیات به کل دارایی٨Xنسبت دارایی جاري به بدهی جاري٢٠
Xنسبت حقوق صاحبان سهام به فروش٩Xنسبت سود خالص به فروش٢١

Xهانسبت حقوق صاحبان سهام به کل بدهی١٠Xهانسبت سود خالص به کل دارایی٢٢
Xهانسبت حقوق صاحبان سهام به کل دارایی١١Xهانسبت بدهی جاري به کل دارایی٢٣
Xهانسبت فروش به کل بدهی١٢

٢٥
Stepwise Discriminant Analysis



٧

SDAدر این مرحله. گردداجرا میجهت انتخاب دومین متغیر مجدداSDAنخستین متغیر، فرایندپس از انتخاب 
. ها باشدنماید که در کنار نخستین نسبت مالی داراي بیشترین توانایی افتراق گروه شرکترا انتخاب مینسبت مالی

این . گیردها مد نظر قرار میروه شرکتدر واقع در این مرحله تاثیر توامان و متقابل دو نسبت مالی در تفکیک گ
هاي مالی انتخاب نشده واجد شرایط سطح اهمیت تعیین فرایند هنگامی متوقف خواهد شد که هیچ یک از نسبت

. دهدمتغیر را نشان می23بر روي SDAنتایج حاصل از فرایند2جدول .نباشند)0.1(شده 

SDAماتریس سازه فرایند: 2جدول 
)a .(هاي مالی انتخاب نشدهنسبت

کد میزان اهمیت کد میزان اهمیت کد میزان اهمیت
X١٦ .857 X١٤ -.437 X١٩ .243

X١(a) .832 X٨(a) .359 X٢٣(a) .222
X٣(a) .750 X١١(a) .344 X١٥(a) .221

X٢١(a) .745 X٩(a) .333 X١٣(a) -.157
X٢(a) .721 X٢٠(a) .318 X١٧ -.102

X٢٢(a) .636 X١٨ .305 X٤(a) -.044
X٦(a) .550 X١٠(a) .270 X٥(a) .026
X٧(a) .477 X١٢(a) .252

طی نموده است که طی هر یک از 3طبق جدول مرحله را5هاي مالی نهایی جهت انتخاب نسبتSDAفرایند
کاهش. گردداضافه میهاي مالی انتخاب شده هاي مالی انتخاب شده و به مجموعه نسبتاین مراحل یکی از نسبت

Wilks' Lambdaانتخاب شدهمتغیرپنج.تشخیصی متغیرهاي انتخاب شده استتهر مرحله به معناي افزایش قدر
:به ترتیب قدرت تشخیصی عبارتند ازدهدهاي مهم وضعیت مالی شرکت را پوشش مییکی از جنبهکدامهر که 

X16) سودآوري(فروشسود عملیاتی به نسبت .1
X14) هاتوان پرداخت بدهی(ها ها به کل داراییکل بدهینسبت .2
X18) نقدینگی(ها به کل داراییجاريهاي دارایینسبت .3
X19) کارایی(هاي جاري نسبت فروش به دارایی.4
X17) پوشش بهره(نسبت هزینه مالی به سود ناخالص .5



٨

هاي انتخاب متغیرهاخالصه گام: 3جدول 

مراحل کد حد تغییرات Fجهت خروج Wilks' Lambda

1 X١٦ 1.000 71.858
2 X١٦ .973 76.804 .986

X١٤ .973 6.212 .697
3 X١٦ .804 35.601 .787

X١٤ .925 8.740 .681
X١٨ .766 6.281 .671

4

X١٦ .771 26.502 .731
X١٤ .826 12.246 .675
X١٨ .724 8.552 .661
X١٩ .851 4.726 .646

5

X١٦ .738 18.332 .711
X١٤ .814 9.843 .654
X١٨ .714 7.656 .641
X١٩ .801 4.240 .635
X١٧ .708 3.213 .617

بینی بحران مالی مبتنی بر الگوریتم ژنتیک خطی و غیرخطیمدل پیش

4ویرایش GeneXproToolsافزاربینی بحران مالی از نرمبراي اجراي فرایند الگوریتم ژنتیک و ایجاد مدل پیش
. اندانتخاب شده0.06و 0.6عملگرهاي تقاطع و جهش به ترتیب در سطح . استفاده شده است

باشد ) ايارزش آستانه(0.5هنگامی که نتیجه حاصل از مدل الگوریتم ژنتیک براي یک شرکت، بزرگتر یا مساوي 
بالعکس، هنگامی که ارزش حاصل از مدل . شودبندي میهاي ورشکسته طبقهاین شرکت در گروه شرکت

مقایسه گروه واقعی . شودبندي میاست شرکت در گروه غیرورشکسته طبقه0.5ریزي ژنتیک کمتر از برنامه
. کندگیري میبینی شده توسط مدل الگوریتم ژنتیک دقت مدل را اندازهها با گروه پیششرکت
این درخت تصمیم معرف یک کروموزم . دهدخطی را نشان میبهترین مدل حاصل از الگوریتم ژنتیک 1تصویر

.براي تعیین گروه شرکت، مقایسه شود0.5اي نتیجه این درخت براي یک شرکت بایستی با ارزش آستانه. است



٩

:، مدل حاصل به صورت زیر قابل ارایه است1با توجه تصویر

Y=X١٤+X١٨+((X١٩+X١٤)-X١٨)-X١٦+((X١٤-X١٦)-X١٩)

این درخت تصمیم معرف یک . دهدبهترین مدل حاصل از الگوریتم ژنتیک غیرخطی را نشان می. 2تصویر 
براي تعیین گروه شرکت، 0.5اي براي یک شرکت بایستی با ارزش آستانهنتیجه این درخت. کروموزم است

. مقایسه شود

+

-

+

-

-+

-

-

X١٩
X١٦

X١٤ X١٦

X١٨X١٨X١٤

X١٤X١٩

بینی بحران مالی یا ورشکستگی حاصل از فرایند الگوریتم ژنتیک خطیبهترین مدل پیش. 1تصویر 



١٠

:، مدل حاصل به صورت زیر قابل ارایه است. 2با توجه به تصویر 

Y=(X٢(١٦+(X١٤-X١٦-((X١٦×X١٩)×X١٤×X١٩))+((-X٢(١٨×X١٤×X١٨)

آزمون فرضیه هاي تحقیق

این دو نمونه به تفکیک تعداد نمونه آموزشی و تعداد نمونه آزمایشی و تعداد خطاها در جهت آزمون فرضیه اول 
.نشان داده شده است4هاي ورشکسته و غیرورشکسته در مدل الگوریتم ژنتیک خطی در جدول براي شرکت

تعداد نمونه و خطاها در مدل الگوریتم ژنتیک خطی. 4جدول 
نمونه آموزشینمونه آزمایشی

تعداد نمونهتعداد خطاهاتعداد نمونهتعداد خطاها
غیرورشکسته4191453
ورشکسته421451
جمع84018104

+

+

-^ *

*

X١٨

X١٦ ٢

X١٤

X١٤

X١٤

X١٦

X١٩X١٦

ژنتیک غیرخطیبینی بحران مالی یا ورشکستگی حاصل از فرایند الگوریتم بهترین مدل پیش. 2تصویر 

^٢ -

*

*

*

X١٩

-١ X١٨

*



١١

به صورت صحیح % 83هاي موجود در نمونه آموزشی را با دقت کلی مدل الگوریتم ژنتیک خطی توانست شرکت
شرکت موجود در 104به این صورت که از میان . بندي نمایدهاي ورشکسته و غیر ورشکسته طبقهدر گروه

دهد که مدل بررسی نتایج این مدل نشان می. اندبندي شدهشرکت به صورت صحیح طبقه86مجموعه آموزشی، 
درصدي 92هاي ورشکسته در مجموعه آموزشی داراي دقت بندي صحیح شرکتالگوریتم ژنتیک خطی در طبقه

ن همچنی). اندبندي شدهشرکت به صورت صحیح طبقه47شرکت ورشکسته در این مجموعه، 51از میان (است 
53از میان (است % 74هاي غیرورشکسته در مجموعه آموزشی داراي دقت بندي صحیح شرکتاین مدل در طبقه

).اندبندي شدهشرکت به صورت صحیح طبقه39شرکت غیرورشکسته در این مجموعه، 
اي مربوط به هبه منظور بررسی توانایی قدرت تعمیم و پایداري مدل الگوریتم ژنتیک خطی، این مدل بر روي داده

هاي قرار گرفته در نمونه آزمایشی در فرایند شرکت. شرکت موجود در نمونه آزمایشی آزمون شده است40
مدل .توانند جهت آزمون روایی خارجی مدل به کار رونداند، بنابراین به درستی میساخت مدل دخالت نداشته

به صورت صحیح در % 80ایشی را با دقت کلی هاي موجود در نمونه آزمالگوریتم ژنتیک خطی توانست شرکت
شرکت موجود در مجموعه 40به این صورت که از میان . بندي نمایدهاي ورشکسته و غیرورشکسته طبقهگروه

بندي صحیح مدل الگوریتم ژنتیک خطی در طبقه. اندبندي شدهشرکت به صورت صحیح طبقه32آزمایشی، 
شرکت ورشکسته در این 21از میان (درصدي است 81ی داراي دقت هاي ورشکسته در مجموعه آزمایششرکت

هاي بندي صحیح شرکتهمچنین این مدل در طبقه). اندبندي شدهشرکت به صورت صحیح طبقه17مجموعه، 
15شرکت غیرورشکسته در این مجموعه، 19از میان (است % 79غیرورشکسته در مجموعه آزمایشی داراي دقت 

).اندبندي شدهیح طبقهشرکت به صورت صح

بینی مدل الگوریتم ژنتیک خطی ماتریس اغتشاش نتیجه پیشي اندازه گیري دقت مدل الگوریتم ژنتیک خطی، راب
.نشان داده شده است5در جدول 

مدل الگوریتم ژنتیک خطیبینیپیشنتیجهماتریس اغتشاش. 5جدول 
واقعی

غیرورشکستهورشکسته

شدهبینیپیش
TP=17FN=4ورشکسته

FP=4TN=15غیرورشکسته



١٢

درصد است را به شیوه زیر 80توان دقت مدل الگوریتم ژنتیک خطی را که در نمونه آزمایشی برابر بنابراین می
:محاسبه کرد

80%=
15+17

=
TP+TN

دقت مدل الگوریتم ژنتیک خطی=  
4+15+4+17TP+FP+TN+FN

تعداد نمونه آموزشی و تعداد نمونه آزمایشی و تعداد خطاها در این دو نمونه به تفکیک براي آزمون فرضیه دوم 
.نشان داده شده است6هاي ورشکسته و غیرورشکسته در مدل الگوریتم ژنتیک غیرخطی در جدول براي شرکت

تعداد نمونه و خطاها در مدل الگوریتم ژنتیک غیرخطی. 6جدول 
آموزشینمونه نمونه آزمایشی

تعداد نمونهتعداد خطاهاتعداد نمونهتعداد خطاها
غیرورشکسته019253
ورشکسته421751
جمع4409104

به صورت % 91هاي موجود در نمونه آموزشی را با دقت کلی مدل الگوریتم ژنتیک غیرخطی توانست شرکت
شرکت موجود در 104به این صورت که از میان . نمایدبندي هاي ورشکسته و غیرورشکسته طبقهصحیح در گروه

دهد که مدل بررسی نتایج این مدل نشان می. اندبندي شدهشرکت به صورت صحیح طبقه85مجموعه آموزشی، 
86هاي ورشکسته در مجموعه آموزشی داراي دقت بندي صحیح شرکتالگوریتم ژنتیک غیرخطی در طبقه

). اندبندي شدهشرکت به صورت صحیح طبقه44ورشکسته در این مجموعه، شرکت 51از میان (درصدي است 
از (است % 96هاي غیرورشکسته در مجموعه آموزشی داراي دقت بندي صحیح شرکتهمچنین این مدل در طبقه

).اندبندي شدهشرکت به صورت صحیح طبقه51شرکت غیرورشکسته در این مجموعه، 53میان 
هاي مربوط به یی قدرت تعمیم و پایداري مدل الگوریتم ژنتیک خطی، این مدل بر روي دادهبه منظور بررسی توانا

هاي قرار گرفته در نمونه آزمایشی در فرایند شرکت. استشرکت موجود در نمونه آزمایشی آزمون شده40
مدل . ه کار روندتوانند جهت آزمون روایی خارجی مدل باند، بنابراین به درستی میساخت مدل دخالت نداشته

به صورت صحیح % 90هاي موجود در نمونه آزمایشی را با دقت کلی الگوریتم ژنتیک غیرخطی توانست شرکت
شرکت موجود در مجموعه 40به این صورت که از میان . بندي نمایدهاي ورشکسته و غیرورشکسته طبقهدر گروه

بندي صحیح ل الگوریتم ژنتیک غیرخطی در طبقهمد. اندبندي شدهشرکت به صورت صحیح طبقه36آزمایشی، 
شرکت ورشکسته در این 21از میان (درصدي است 81هاي ورشکسته در مجموعه آزمایشی داراي دقت شرکت



١٣

هاي بندي صحیح شرکتهمچنین این مدل در طبقه). اندبندي شدهشرکت به صورت صحیح طبقه17مجموعه، 
شرکت غیرورشکسته در این مجموعه، 19از میان (است % 100ي دقت غیرورشکسته در مجموعه آزمایشی دارا

). اندبندي شدهبه صورت صحیح طبقههاتمامی شرکت
بینی مدل الگوریتم ژنتیک ماتریس اغتشاش نتیجه پیشبراي اندازه گیري دقت مدل الگوریتم ژنتیک غیرخطی، 

.نشان داده شده است7غیرخطی در جدول 

مدل الگوریتم ژنتیک غیرخطیبینیپیشنتیجهماتریس اغتشاش7جدول 
واقعی

غیرورشکستهورشکسته

شدهبینیپیش
٠=١٧FN=TPورشکسته

١٩=٤TN=FPغیرورشکسته

درصد است را به شیوه زیر 90توان دقت مدل الگوریتم ژنتیک غیرخطی را که در نمونه آزمایشی برابر بنابراین می
:کردمحاسبه 

90%=
17+19

=
TP+TN  =دقت مدل الگوریتم ژنتیک غیرخطی

0+19+4+17TP+FP+TN+FN
هاي الگوریتم ژنتیک خطی و هاي مبتنی بر تکنیکبینی مدلبراي آزمون فرضیه سوم این تحقیق، دقت پیش

بینی مدل همانطور که مشاهده شد دقت پیش. گیردمورد مقایسه قرار می26نمارغیرخطی با استفاده از آزمون مک
درصد 90درصد و تکنیک الگوریتم ژنتیک غیرخطی برابر 80ایجاد شده با تکنیک الگوریتم ژنتیک خطی برابر 

هم تفاوت ها با هاي ایجاد شده با این تکنیکبینی مدلحال سوال این است که آیا این تفاوتها بین دقت پیش. است
هاي ایجاد شده با همدیگر مقایسه شده تا در مورد وجود نمار ، نتایج مدلدر آزمون مک. دار دارند یا خیرمعنی

دار بین نتایج نتایج این آزمون براي آزمون وجود تفاوت معنی. گیري شوددار در این نتایج تصمیمتفاوت معنی
.نشان داده شده است8لگوریتم ژنتیک خطی وغیر خطی در جدول هاي اهاي ایجاد شده با استفاده از تکنیکمدل

٢٦
Mc Nemar Test



١٤

هاي الگوریتم ژنتیک خطی و شبکه عصبینمار براي تکنیکنتایج آزمون مک. 8جدول 

GANL & GAL

GANL

GAL

٠ ١
٠ ٤٦ ٢٣
١ ١٦ ٥٩

Test Statisticsb

GANL & GAL

N ١٤٤
Chi-Squarea .٨٢١
Asymp. Sig. .٢٣٧
a. Continuity Corrected

b. McNemar Test

دهد که چون سطح هاي الگوریتم ژنتیک خطی و شبکه عصبی نشان مینمار براي تکنیکنتایج آزمون مک
الگوریتم داري بین نتایج الگوریتم ژنتیک خطی و در نتیجه تفاوت معنی) 237/0(درصد است 5داري بیشتر از معنی

الگوریتم بیشتر از ) درصد90(خطی غیربینی الگوریتم ژنتیکاگر چه دقت پیش. نداردوجود ژنتیک غیرخطی 
مبنی بر سومدار نیست و بنابراین فرضیه فرعی است ولی این تفاوت از لحاظ آماري معنی) درصد80(ژنتیک خطی 

خطی تایید غیرنسبت به الگوریتم ژنتیکالگوریتم ژنتیک خطی بینی مدل مبتنی بر بیشتر بودن قدرت پیش
.شودنمی

بحث و نتیجه گیري
تري نسبت به اطالعات سنتی توان اطالعات دقیقهاي کامپیوتري میامروزه با پیشرفت سریع فناوري و تکنولوژي

تري را در خصوص احتمال برگشت هاي مناسبگیريگیرندگان قرار داد،  تا بتوانند تصمیمدر اختیار تصمیم
.هاي سنگین اتخاذ نمایندبحران مالی قبل از وقوع و تحمل هزینهسرمایه و یا وقوع 

با بررسی روند مطالعات . بینی بحران مالی یکی از ابزارهاي برآورد وضع آینده شرکت ها می باشدالگوهاي پیش
بیشتر هاي آماري در این زمینه کاهش یافته است و مطالعات اخیر شود که امروزه استفاده از مدلمشخص میپیشین 

شبکه هاي عصبی، درخت تصمیم گیري، استدالل مبتنی بر (هاي مبتنی بر هوش مصنوعی تمایل به استفاده از مدل
یکی از مهمترین . دارند) موضوع، الگوریتم ژنتیک، مجموعه هاي سخت، ماشین بردار تکیه گاه و منطق فازي

ها اغلب این مدلاین است کهشده است گرانهاي هوش مصنوعی از سوي پژوهشموجب اقبال مدلی که دالیل
ناپارامتریک بوده و در بکارگیري آنها نیاز چندانی به فرضیات اولیه و یا اطالعات مربوط به چگونگی توزیع 

.هاي ورشکسته و غیر ورشکسته نیستهاي شرکتهاي مالی در میان گروهویژگی
هاي الگوریتم ژنتیک خطی و مالی با استفاده از مدلبینی بحراندر این راستا هدف این تحقیق بررسی قدرت پیش

الگوریتم ژنتیک غیرخطی و مقایسه آنها بایکدیگر جهت باال بردن توان تصمیم گیري استفاده کنندگان صورت
دهد که مدل الگوریتم ژنتیک نتایج تحقیق نشان می. ها قرار گرفتهاي مالی در پیش بینی بحران مالی شرکت



١٥

درصد عالوه بر ایجاد نتایج 90بینیدرصد و مدل الگوریتم ژنتیک غیرخطی با دقت پیش80بینی خطی با دقت پیش
ها به گروه بندي شرکتها با استفاده از اطالعات مالی آنها، در طبقهبینی وضعیت آتی شرکتمطلوب در پیش

. باشنداطمینان میکه قابلکنندهاي غیرورشکسته نتایج متعادلی ایجاد میهاي ورشکسته یا گروه شرکتشرکت
. داري بین نتایج الگوریتم ژنتیک خطی و غیرخطی وجود نداردنتایج این تحقیق نشان داد که تفاوت معنیهمچنین

بینی الگوریتم ژنتیک غیرخطی از الگوریتم ژنتیک خطی بیشتر است ولی این تفاوت از لحاظ اگر چه دقت پیش
. دار نیستآماري معنی

فارسیمنابع 
بررسی توانمندي الگوهاي پیش بینی "، )1389(پورزمانی، زهرا، کی پور، رضا، نورالدین ،مصطفی، .1

الگو هاي مبتنی بر روشهاي سنتی، الگوریتم ژنتیک و شبکه : الگوهاي مورد مطالعه (کننده بحران مالی
28-1اسالمی،صص، دانشگاه آزاد4، فصلنامه مهندسی مالی و مدیریت پورتفوي،شماره ")هاي عصبی

هاي بورس نامهمجموعه قوانین و آیین"). 1378(شوراي بورس، -سازمان بورس اوراق بهادار تهران.2
ه، چاپ اولانحالل شرکت76و 75، ماده "اوراق بهادار

ترکیب:اولیهعمومیهايعرضهگذاريقیمت"، )1388(یزدي، محمد، قاسمی مهسا مازارعرب.3
هاي حسابداري و حسابرسی، شماره فصلنامه بررسی"ژنتیکالگوریتمومصنوعیعصبیهايشبکه

102-87، صص 58
، "بینی ورشکستگیکاربرد الگوریتم ژنتیک در الگوبندي پیش"). 1384(زاده دهکردي، حسن فرج.4

.نامه کارشناسی ارشد حسابداري، دانشکده علوم انسانی دانشگاه تربیت مدرسپایان
5. Adnan aziz.M,Humayon A.Da, (2002). “Predicting Corporate Bankruptcy: Where do we Stand”,

Department of Economics, Loughborough University, UK.
6. Altman, E.I., (1968). “Financial Ratios, Discriminate Analysis and the Prediction of Corporate

Bankruptcy”, Journal of Finance, 23, 589–609.
7. Beaver, W.H., (1966). "Financial Ratios as Predictors of Failure", Journal of Accounting Research 4,

Empirical Research in Accounting: Selected Studies, p. 71-111.
8. Etemadi, H., Rostamy, A., and Dehkordi, H. (2009). "A Genetic Programming Model for

Bankruptcy Prediction: Empirical Evidence from Iran", Expert Systems with Applications, 36 (2), p.
3199–3207.

9. Grice, John Stephn, Ingram Robert., (2002). “Tests of the Generalizability of Altman’s bankruptcy
Prediction Model”, Journal of Busines Research;Vol. 54,Issue 1:53-61



١٦

10. Haber, J., (2006), “Theoretical Dvelopment of Bankruptcy Prediction Variables”, the Journal of
Theoretical Accounting Research, 2, 82-101

11. Huang, S., Tsai, C.-F., Yen, D., and Cheng, Y. (2008). "A Hybrid Financial Analysis Model for
Business Failure Prediction", Expert Systems with Applications, 35(3), p. 1034–1040.

12. Hung, C., and Chen, J., (2009). "A Selective Ensemble Based on Expected Probabilities for
Bankruptcy Prediction", Expert Systems with Applications, 36(3), p. 5297–5303.

13. Kawakami ,Becerra ,seada., (2004). ":Ratio Selection for Classification Models",.Data Mining and
Knowledge Discovery ,2004: 8,151-170.

14. Lin, R., Wang, Y. and Wu, C., (2009). "Developing a Business Failure Prediction Model via RST,
GRA and CBR", Expert Systems with Applications, 36(2), p. 1593–1600.

15. McKee, T.E. and Lensberg, T. (2002). “Genetic Programming and Rough Sets: a Hybrid Approach
to Bankruptcy Classification”, European Journal of Operational Research, 138, 436-51.

16. Min, J., and Jeong, C., (2009). "A Binary Classification Method for Bankruptcy Prediction", Expert
Systems with Applications, 36(3), p. 5256–5263.

17. Min, J.H., and Lee, Y.C., (2008). "A Practical Approach to Credit Scoring", Expert Systems with
Applications, 35(4), p. 1762–1770.

18. Ravi, V., and Pramodh, C., (2008). "Threshold Accepting Trained Principal Component Neural
Network and Feature Subset Selection: Application to Bankruptcy Prediction in Banks", Applied
Soft Computing, 8(4), p. 1539–1548.

19. Shin, K. and Lee, Y., (2002). “A Genetic Algorithm Application in Bankruptcy Prediction
Modeling”, Expert Systems with Applications, 23 (3), 321-8.

20. Sun, J., and Li, H., (2008). "Listed Companies Financial Distress Prediction Based on Weighted
Majority Voting Combination of Multiple Classifiers", Expert Systems with Applications, 35(3), p.
818–827.

21. Tsai, C.F., (2009). "Feature Selection in Bankruptcy Prediction", Knowledge-Based Systems, 22, p.
120–127.

22. Varetto F., (2009). " Genetic Algorithm Applications in the Analysis of Insolvency Risk", Journal of
Banking and Finance 22 (1998) 1421–1439

23. Wu, W.W., (2010). "Beyond Business Failure Prediction", Expert Systems with Applications, 37(3),
p. 2371–2376.

Applying the Linear Genetic Algorithm and Non-linear Genetic to Increasing the Efficiency
of Predicting Companies Financial Distress in Capital Market

Abstract

Bankruptcy is event that challenges the social and economic aspects of country. So if we can
obtain information about the possibility of bankruptcy before the actual event, economic and
social consequences could have reduced or even prevented.



١٧

Purpose of this study is investigating financial crisis prediction strength of linear genetic algorithm
and non-linear genetic algorithm to increase the ability of decision making for financial statement
users to predicate the financial distress. Then, respecting the obtained results these pattern are
compared with each other and the best pattern is extracted. Based on available information and
statistics, of all companies listed in Tehran Stock Exchange during the period ١٣٧٦-١٣٨٩, ٧٢
companies have been subject to Article ١٤١ trade law and ٧٢ companies have not been subject to
this Article was elected. Results of Mc-Nemar test for linear genetic algorithm and non-linear
genetic algorithm showed that although the predictive accuracy of nonlinear genetic algorithm
(٩٠%) is more than of the linear genetic algorithms (٨٠%) but this difference is not statistically
significant.

Keywords: Financial Distress, Financial Variables, Linear Genetic Algorithms, Non-
Linear Genetic Algorithm