Using Hybrid Expert System Approach for Forecasting Bankruptcy of Tehran Stock Exchange Corporation Companies

Document Type : Original Article

Authors

1 Tehran University, Faculty Member

2 M.A. in Economics

Abstract

In this research, bankruptcy of companies is predicted using the Hybrid Expert System (HES) approach. Factors affecting bankruptcy and the extent of their impact are saved as rules in a Rule-Based Expert System, and together with financial ratios they are considered as inputs in the GMDH neural networks. The impact of each of these factors on the accumulated profit or loss to capital ratio is evaluated in order to isolate the impact of external shocks on bankruptcy. Variables and the following four financial ratios: Current Ratio, Gross Profit Margin Ratio, Net Profit to Current Debt Ratio and Return of Assets are used as inputs in the GMDH neural networks. The results are compared with those of artificial neural networks for the year of bankruptcy, the preceding year, two years earlier and the average of these three years. In all of these cases, the HES approach produces better outcome than those produced by neural networks. The differences were more marked for 1384 and 1385 when there were large numbers of corporate bankruptcies. Hence the hypothesis of higher accuracy of Expert System compared to neural networks in predicting bankruptcies is confirmed.

Keywords


ابریشمی، حمید؛ علی معینی؛ محسن مهرآرا، مهدی احراری، فاطمه سلیمانی کیا (1387)، «مدل سازی و پیش‌بینی قیمت بنزین با استفاده از شبکة عصبی GMDH»، فصلنامة پژوهش‌های اقتصادی ایران، دانشکدة اقتصاد علامه طباطبایی، شماره36، پاییز.
کمیجانی، اکبر و جواد سعادت فر (1385)، «تعیین مدل بهینه احتمال شرطی برای پیش‌بینی ورشکستگی اقتصادی شرکت‌ها در ایران»، نامة مفید، سال 12، شمارة57، دی.
معینی، علی، محسن مهرآرا، مهدی احراری (1387)، «محاسبة هوشمند حداکثرعایدی در بازار پیش‌خرید و پیش‌فروش نفت خام»، فصلنامة مطالعات اقتصاد انرژی، مؤسسة مطالعات بین المللی انرژی، شمارة 19، زمستان.
مکیان، سید نظام الدین، سلیم کریمی تکلو (1388)، «پیش‌بینی ورشکستگی شرکت‌های تولیدی با استفاده از شبکه‌های عصبی مصنوعی(مطالعة موردی: شرکت‌های تولیدی استان کرمان»، فصلنامة اقتصاد مقداری، دانشکده اقتصاد و علوم اجتماعی، دانشگاه شهید چمران اهواز، دوره ششم، شمارة اول، بهار.
مکیان، سید نظام الدین، سید محمد تقی المدرسی،کریمی تکلو (1388)، «مقایسة مدل شبکه‌های عصبی مصنوعی با روش‌های رگرسیونی لجستیک و تحلیل ممیزی در پیش‌بینی ورشکستگی شرکت‌ها»، فصلنامة پژوهش‌های اقتصادی، دانشکدة اقتصاد، دانشگاه تربیت مدرس، تابستان، 10(2)، 141-161.
مهرآرا، محسن، نفیسه بهرادمهر، مهدی احراری، محسن محقق (1389)، «پیش‌بینی بی‌ثباتی قیمت نفت با استفاده از شبکة‌ عصبی GMDH»، فصلنامة مطالعات اقتصاد انرژی، مؤسسة مطالعات بین‌المللی انرژی، شمارة 25، تابستان.
مهرانی، ساسان؛ کاوه مهرانی، یاشار منصفی، غلامرضا کرمی (1384)، «بررسی کاربردهای الگوی پیش‌بینی ورشکستگی زیمسکی و شیراتا در شرکت‌های پذیرفته شده در بورس اوراق بهادار تهران»، بررسی‌های حسابداری و حسابرسی، سال 12، شمارة 41، پاییز.
ورهرامی، ویدا (1388)، پیش‌بینی نوسانات قیمت نفت با استفاده از سامانة خبرة تلفیقی، پایان‌نامه کارشناسی ارشد، دانشکده اقتصاد دانشگاه تهران، بهمن 1388.
Altman, E. and Saunders (1998), A. Credit Risk Measurement: Developments Over The Last 20 Years. Journal of Banking and Finance, 21. p: 1721-1742.
Altman, E. (1968), "Financial Ratios, Discriminate Analysis and the Prediction of Corporate Bankruptcy", The Journal of Finance, 23(4): p. 589-609
Altman, E. Haldeman, R.G. And Narayanon, P. (1988), Zeta Analysis: A New Model To Identify Bankruptcy Risk of Corporations. Journal of Banking and Finance, 1. p: 29-54.
Altman, E. (2000), Prediction Financial Distress of Companies: Revisiting the Z-Score and Zeta Models. New York University.
Atashkari, N. Nariman-Zadeh, M. Gölcü, A. Khalkhali and A. Jamali, (2007), "Modelling and multi-objective optimization of a variable valve-timing spark-ignition engine using polynomial neural networks and evolutionary algorithms", Energy Conversion and Management, Volume 48, Issue 3, March, Pages 1029-1041.
Amanifard, N. Nariman-Zadeh, M. Borji, A. Khalkhali and A. Habibdoust (2008),  "Modelling and Pareto optimization of heat transfer and flow coefficients in micro channels using GMDH type neural networks and genetic algorithms", Energy Conversion and Management,  Volume 49, Issue 2, February, Pages 311-325.
Aziz, A. Emanuel, D. and Lawson, G.  (1988), Bankruptcy Prediction: An Investigation of Cashflow Based Models. Journal of Management Studies, 25(5). p: 419-437.
Beaver, W. (1966), Financial Ratios As Prediction of Failure. Journal of Accounting Research, 4. p: 71-111.
Blum, M. (1974), Failing Company Discriminate Analysis. Journal of Accounting Research, 12(1). p: 1-25.
Horrigan, J. (1968),  A Short History of Financial Ratio Analysis. The Accounting Review, p: 284-294.
Ivakhnenko, A. G. (1971), Polynomial Theory of Complex Systems. IEEE Trance. Syst,Man and Cybern, p: 364-378.
Ohlson, J. (1980), "Financial Ratios and the Probabilistic Prediction of Bankruptcy", Journal of Accounting Research, 18(1). p: 109-131.
Rajman, M. and Besanon. R. (1998) Text-Mining Knowledge Extraction From Unstructured Textual Data. The 6th Conference of International Federation of Classification Societies Rome.
Salchenger, L.; Cinar, E. and Lash, N.(1999), "Neural Networks: A New Tool for Predicting Thrift Failiure", Decision Sciences, 23. p: 899-916.
Salton, G., Wang, A. et al. (1971), A Vector Space Model for Automatic Indexing, Gommunication of the ACM, 18. P:613-620.
Shi, Z. (2002) Knowledge Discovery. Tsinghai University press,
Sirnivasan, D. (2008) Energy Demand Prediction using GMDH Networks. Neuro Computing,. 72. p: 625-629.
Wang, S., L. Yu, et al. (2003), "A Hybrid System for Forex Forecasting with TEL@I Methodology". Journal of Systems Science and Complexity, 18.