کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
10321843 660771 2015 13 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Bankruptcy visualization and prediction using neural networks: A study of U.S. commercial banks
ترجمه فارسی عنوان
تجسم و پیش بینی ورشکستگی با استفاده از شبکه های عصبی: مطالعه بانک های تجاری ایالات متحده
کلمات کلیدی
ترجمه چکیده
ما یک مدل شبکه های عصبی برای مطالعه ورشکستگی بانک های ایالات متحده با در نظر گرفتن ویژگی های خاص بحران مالی اخیر داریم. ما پیشترترنرهای چند لایه و نقشه های سازماندهی خود را ترکیب می کنیم تا ابزاری برای نشان دادن احتمال ناراحتی تا سه سال قبل از ورشکستگی باشد. بر اساس داده های شرکت بیمه سپرده های صندوق بین سال های 2002 و 2012، نتایج ما نشان می دهد که بانک های شکست خورده بیشتر در وام های املاک و مستغلات متمرکز شده و مقررات بیشتری دارند. وضعیت آنها تا حدی ناشی از گسترش خطرناک است که منجر به کاهش حقوق صاحبان سهام و سود می شود. پس از طراحی مشخصات بانک های مضطرب، ما یک مدل برای شناسایی خرابی ها و یک ابزار برای ارزیابی خطرات بانکی در کوتاه مدت، متوسط ​​و بلند مدت با استفاده از ورشکستگی هایی که از مه 2012 تا دسامبر 2013 در بانک های ایالات متحده رخ داده است، ایجاد می کنیم. این مدل می تواند 96.15٪ از شکست ها را در این دوره تشخیص دهد و از مدل های سنتی پیش بینی ورشکستگی جلوتر است.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر هوش مصنوعی
چکیده انگلیسی
We develop a model of neural networks to study the bankruptcy of U.S. banks, taking into account the specific features of the recent financial crisis. We combine multilayer perceptrons and self-organizing maps to provide a tool that displays the probability of distress up to three years before bankruptcy occurs. Based on data from the Federal Deposit Insurance Corporation between 2002 and 2012, our results show that failed banks are more concentrated in real estate loans and have more provisions. Their situation is partially due to risky expansion, which results in less equity and interest income. After drawing the profile of distressed banks, we develop a model to detect failures and a tool to assess bank risk in the short, medium and long term using bankruptcies that occurred from May 2012 to December 2013 in U.S. banks. The model can detect 96.15% of the failures in this period and outperforms traditional models of bankruptcy prediction.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Expert Systems with Applications - Volume 42, Issue 6, 15 April 2015, Pages 2857-2869
نویسندگان
, ,