Bankruptcy Prediction through Soft Computing based Deep Learning Technique

این کتاب معماری‌های عمیق سلسله مراتبی پیچیده (HDA) را برای پیش‌بینی ورشکستگی پیشنهاد می‌کند، موضوعی موضوعی برای مؤسسات تجاری و شرکتی که در گذشته با استفاده از مدل‌های پیش‌بینی آماری، مبتنی بر بازار و مدل‌های پیش‌بینی هوشمند ماشینی مورد بررسی قرار گرفته است. HDA از طریق شبکه‌های مخاطره‌ای عمیق تانسوری فازی (FRTDSN) با مدل‌های بیزی ناهموار (HRB) ساختار یافته و سلسله مراتبی تشکیل می‌شود. FRTDSN از طریق TDSN و مجموعه‌های خشن فازی رسمیت می‌یابد، و HRB با ترکیب مجموعه‌های خشن احتمالی در مدل بیزی سلسله مراتبی ساختاریافته تشکیل می‌شود. سپس FRTDSN با HRB ادغام می شود تا مدل ترکیبی FRTDSN-HRB را تشکیل دهد. HRB دقت پیش‌بینی مدل FRTDSN-HRB را افزایش می‌دهد. مجموعه داده‌های آزمایشی از شرکت‌های ساختمانی کره‌ای و شرکت‌های غیرمالی آمریکایی و اروپایی اتخاذ شده‌اند و تحقیق ارائه‌شده بر تأثیر انتخاب نقاط برش، روش‌های نمونه‌گیری و چرخه تجاری بر دقت مدل‌های پیش‌بینی ورشکستگی متمرکز است.

این کتاب همچنین بر این واقعیت تأکید می‌کند که طبقه‌بندی نادرست می‌تواند منجر به پیش‌بینی‌های اشتباه شود که منجر به هزینه‌های گزاف برای سرمایه‌گذاران و اقتصاد می‌شود، و نشان می‌دهد که انتخاب نقطه برش و روش‌های نمونه‌گیری بر رتبه‌بندی‌های مختلف تأثیر می‌گذارد. مدل ها. همچنین نشان می‌دهد که نقاط برش تجربی برآورد شده از نمونه‌های آموزشی منجر به کمترین هزینه‌های طبقه‌بندی اشتباه برای همه مدل‌ها می‌شود. این کتاب تأیید می‌کند که FRTDSN-HRB در مقایسه با سایر مدل‌های آماری و محاسباتی نرم، به عملکرد برتر دست می‌یابد. نتایج تجربی بر حسب چندین پارامتر آماری مهم در چرخش چرخه‌های تجاری و زیر چرخه‌های مختلف برای مجموعه داده‌های در نظر گرفته شده است و برای محققانی که در این زمینه کار می‌کنند بسیار مفید است.

This book proposes complex hierarchical deep architectures (HDA) for predicting bankruptcy, a topical issue for business and corporate institutions that in the past has been tackled using statistical, market-based and machine-intelligence prediction models. The HDA are formed through fuzzy rough tensor deep staking networks (FRTDSN) with structured, hierarchical rough Bayesian (HRB) models. FRTDSN is formalized through TDSN and fuzzy rough sets, and HRB is formed by incorporating probabilistic rough sets in structured hierarchical Bayesian model. Then FRTDSN is integrated with HRB to form the compound FRTDSN-HRB model. HRB enhances the prediction accuracy of FRTDSN-HRB model. The experimental datasets are adopted from Korean construction companies and American and European non-financial companies, and the research presented focuses on the impact of choice of cut-off points, sampling procedures and business cycle on the accuracy of bankruptcy prediction models.

The book also highlights the fact that misclassification can result in erroneous predictions leading to prohibitive costs to investors and the economy, and shows that choice of cut-off point and sampling procedures affect rankings of various models. It also suggests that empirical cut-off points estimated from training samples result in the lowest misclassification costs for all the models. The book confirms that FRTDSN-HRB achieves superior performance compared to other statistical and soft-computing models. The experimental results are given in terms of several important statistical parameters revolving different business cycles and sub-cycles for the datasets considered and are of immense benefit to researchers working in this area.