محمد حسین امین ابراهیم آبادی

به منظور مدیریت ریسکها ، کاهش تلفات و صرفه جویی در هزینه ، پیش بینی پریشانی مالی (FDP) مورد توجه گسترده جوامع مختلف از جمله محققان دانشگاهی ، دست اندرکاران صنعت و تنظیم کننده های دولت قرار گرفته است. علاوه بر اطلاعات مالی معمولی ، افشای متنی مربوط به شرکت ها امروزه نگرانی ویژه ای را به خود اختصاص داده است و نشان می دهد که برای FDP مؤثر است. روش های گروه تبدیل به یک خط تحقیقاتی رایج در زمینه FDP شده است که دارای ویژگی های مالی و غیر مالی است. کیفیت ویژگی عامل مهمی برای تعیین صحت در گروه است ، با این حال ، روش های سنتی گروه این نوع ویژگی های مختلف را به طور مستقیم ادغام می کنند و ساختار گروه بندی آنها را نادیده می گیرند ، از این رو کیفیت ویژگی را تضعیف می کنند و در نهایت باعث خراب شدن دقت پیش بینی می شوند. علاوه بر این ، اگرچه می توان تنوع را با توجه به تصادفی بودن نمونه گیری از ویژگی ها در گروه بدست آورد ، اما مسئله این است که چنین تصادفی منجر به ابهام در میان طبقه بندی کننده های پایه می شود و در نتیجه نمی توان صحت پیش بینی هر طبقه بندی را تضمین کرد. با توجه به این نواقص ، ما یک چارچوب متا FDP رمان و قوی پیشنهاد می کنیم ، که شامل ماژول تنظیم کننده ویژگی برای شناسایی قدرت پیش بینی تبعیض آمیز از چندین ویژگی و ماژول فیوژن احتمالی برای افزایش تجمع بیش از طبقه بندی کننده های پایه است. برای اعتبارسنجی زیربنای تصادفی منظم مبتنی بر پراکنده پیشنهادی ما با قانون استدلال اثبات (RS2_ER) ، آزمایشهای گسترده ای را در مورد داده های جمع آوری شده از بانک اطلاعات تحقیقات حسابداری بازار امنیت چین (CSMARD) انجام دادیم و نتایج تجربی نشان می دهد که روش پیشنهادی RS2_ER تأثیر پیش بینی در FDP با توجه به ویژگی های گروه بندی املاک و ابهامات میان طبقه بندی کننده های پایه به طور قابل توجهی تسهیل می شود.