دانلود ترجمه مقاله برآورد ریسک ورشکستگی از طریق نرخ های مالی تصویری

نتیجه گیری:
ما برای اعمال CNN در پیش بینی ورشکستگی، روشی پیشنهاد کرده ایم. مجموعه نسبت های مالی روش در روش ما بصورت تصویر سیاه سفید ارائه شده است که در آن هر نسبت مالی با موقعیت ثابت پیکسل متناظر است و تصاویر ایجاد شده بعنوان داده آموزشی برای CNN مبتنی بر GoogLeNet استفاده شده اند. ارزیابی عددی نشان داد که تخصیص موقعیت های پیکسل مجاور به نسبت مالی با همبستگی بالا برای هدف ما مناسب تر از قرارددن آنها بصورت تصادفی می باشد. تحلیل ما نشان داد که روش پیشنهادی با استفاده از CART, LDA, SVM, MLP, AdaBoost و عدد زد آلتمن نسبتبه روشهای متعارف جایگزین عملکرد بهتری دارد. بعلاوه، روش پیشنهادی تبدیل نسبت مالی به تصویر دارای قابلیت استفاده در داده های عددی کلی درزمینه های مختلف بجز پیش بینی ورشکستگی می باشد. با این حال، برخلاف برخی روشهای متعارف، آگاهی از اینکه کدام نسبت مالی تاثیر قوی تری بر پیش بینی ورشکستگی دارد، با استفاده از روش پیشنهادی مشکل می باشد. بنابراین، باید قبول کنیم که روش پیشنهادی برای هدف بررسی علت های ورشکستگی مناسب نیست. برخی مسائل حل نشده وجود دارد که به جای خود مانده اند. برای مثال، همانطور که در بخش 3.4 ذکر شد، تاثیر استفاده از نسبت های مختلف داده های واقعی و تریکبی برای هر کلاس باید دقیق تر بررسی شود. ساختار شبکه استفاده شده در این تحقیق براساس GoogLeNet بود ولی ازطریق بررسی نظری عمیق انتخاب نشد. تایید اینکه آیا دیگر پیکربندیهای شبکه برای مسئله پیش بینی ورشکستگی موثر هستند یا نه، ضروری می باشد. درباره تصویرسازی نسبت های مالی، نیاز به تایید این است که آیا عملکرد شناسایی را می توان با معیارهایی غیر از ضریب همبستگی استفاده شده در این تحقیق بهبود بخشید.

Conclusions:
We have proposed a method for applying a CNN to bankruptcy prediction. In our method, a set of financial ratios are represented as a grayscale image where each financial ratio corresponds to a fixed pixel position, and the generated images are used as training data for a CNN based on GoogLeNet. A numerical evaluation revealed that allocating neighboring pixel positions to highly correlated financial ratios is more appropriate for our purpose than placing them at random. Our analysis also indicated that the proposed method outperforms representative conventional methods using CART, LDA, SVM, MLP, AdaBoost and Altman’s Z''-score. Furthermore, the proposed method of conversion from financial ratios to an image has the potential to be applied to general numerical data in a variety of contexts other than bankruptcy prediction. However, unlike some conventional methods, it is hard to know from the proposed method which of the financial ratios has a stronger impact on bankruptcy prediction. Therefore, we have to admit that the proposed method is not suitable for the purpose of investigating the causes of bankruptcy. There are some remaining unresolved issues. For example, as mentioned in section 4.3, the impact of using different proportions of real and synthetic data for each class should be investigated in more detail. The network structure used in this research was based on GoogLeNet but this was not selected through in-depth theoretical consideration. It is necessary to verify whether other network configurations are more effective for the problem of bankruptcy prediction. Regarding the imaging of financial ratios, there is also a need to verify whether the identification performance could be improved by criteria other than the correlation coefficient used in this study.