Presenting a model for predicting financial distress based on deep learning

Document Type : Original Article

Authors
akram karimpour 1
mohsen azhdar 2
Sayed Mohammad Reza Davoodi 3
1 PhD student in financial engineering, Dehaghan branch, Dehaghan Islamic Azad University, Iran
2 Assistant Professor, Department of Accounting, Shahrekord Branch, Islamic Azad University, Shahrekord , Iran
3 Associate Professor of Management, Dehaghan Branch, Islamic Azad University, Dehaghan, Iran.
10.30495/jik.2024.77615.4541
Abstract
The prediction of financial distress in companies, due to its adverse effects on debt holders such as financial institutions, has been extensively studied in the field of finance. In this study, a new model for predicting financial distress is introduced, utilizing a deep learning approach based on the Grey Wolf Optimization (GWO) algorithm. Initially, 34 financial ratios related to corporate financial distress were identified through a library-based research method. Subsequently, the Pearson correlation test was employed to determine the significance of these ratios, resulting in the selection of 25 meaningful indicators to be used in the analysis. The identified indicators were then calculated for 160 selected companies listed on the Tehran Stock Exchange during the period from 2017 to 2022. Finally, the collected data were analyzed using a deep learning methodology integrated with the GWO metaheuristic algorithm. The results indicate that the accuracy of this model in predicting corporate financial distress is 98.33%.
  • اسماعیلی، سهیلا، گوگردچیان، احمد. (1396). پیش‌بینی ورشکستگی مالی با استفاده از صورت جریان نقد: رهیافت شبکۀ عصبی مصنوعی. مدیریت فرهنگ‌سازمانی، 15(4)، 879-901.
  • امینی مهر، امین و حکمت، هانیه (1402). قدرت شبکه عصبی پیچشی در پیش‌بینی درماندگی مالی، فصلنامه راهبرد مدیریت مالی، دوره: 11، شماره: 2.
  • برگ بید، احمد.، جعفری، علی.، صالح نژاد، سید حسن. (1401). ارائه الگوی ترکیبی سه‌بعدی (مالی، اقتصادی، پایداری) در پیش‌بینی درماندگی مالی شرکت‌ها. فصلنامه پژوهش­های حسابداری مالی و حسابرسی، 13(51)، 105-132.
  • خداکریمی، پری، پیری، پرویز. (1396). پیش‌بینی درماندگی مالی بر مبنای الگوی ترکیبی از اطلاعات حسابداری و بازار با رویکرد رگرسیون لجستیک. مطالعات تجربی حسابداری مالی، 14(55)، 145-168.
  • دباغ، رحیم، شیخ بگلو، سیما. (1399). پیش‌بینی ورشکستگی شرکت‌های پذیرفته شده در بورس اوراق بهادار تهران با روش‌های شبکه عصبی مصنوعی و مدل فولمر. مجله توسعه و سرمایه، 5(2)، 153-168.
  • رحیمیان، نظام الدین.، توکل نیا، اسماعیل.، قربانی، محمود. (1393). درماندگی مالی و تاخیر گزارش حسابرسی، نشریه دانش حسابداری مالی، 1(2)، 57-77.
  • ساده­وند، محمدجواد.، نیکومرام، هاشم.، قالیباف اصل، حسن.، فلاح شمس، میرفیض. (1401). بررسی و مقایسه عملکرد مدل‌های متعارف و ترکیبی در پیش‌بینی درماندگی مالی. تحقیقات مالی، 24(2)، 214-235.
  • عالی، محسن و میرعرب بایگی، سید علیرضا و فرجیان، نیما (1402). ارائه مدل پیش‌بینی ریسک ورشکستگی مالی شرکت‌های بورسی و فرابورسی با بهره‌گیری از الگوریتم‌های یادگیری ماشین، فصلنامه تحلیل بازار سرمایه، دوره: 2، شماره: 2.
  • لطفی، بهناز.، بحری ثالث، جمال.، جبارزاده کنگرلویی، سعید.، حیدری، مهدی. (1403). پیش‌بینی درماندگی مالی با مدل ترکیبی (مطالعه موردی: شرکت‌های پذیرفته شده در بورس اوراق بهادار تهران). دانش سرمایه‌گذاری، 131(50)، 349-370.
  • Beaver, W.H., Correia, M., & McNichols, M.F. (2011), Financial Statement Analysis and the Prediction of Financial Distress. Foundations and Trends® in Accounting 5(2): 99-173. http://dx.doi.org/10.1561/1400000018
  • Che, W., Wang, Zh., Jiang, C., & Zoynul Abedin, M. (2024). Predicting financial distress using multimodal data: An attentive and regularized deep learning method, Information Processing & Management 61(4): 103703.
  • Elhoseny, M., Metawa, N., Sztano, G., El-hasnony, I.M. (2020). Deep Learning-Based Model for Financial Distress Prediction. Ann Oper Res 25: 1–23.
  • Fitzpatrick, P.J.  (1932). A comparison of the ratios of successful industrial enterprises with those of failed companies, The Certified Public Accountant 12: 727-731.
  • Huang, Y., Wang, Zh., & Jiang, C. (2024). Diagnosis with incomplete multi-view data: A variational deep financial distress prediction method, Technological Forecasting and Social Change 201: 123269.
  • Imteaj, H., & Amini, H. (2022). Leveraging asynchronous federated learning to predict customer's financial distress. Intelligent Systems with Applications 14: 200064.
  • Jiang, C., Ma, L., Wang, Zh., & Chen, B. (2023). Financial distress prediction using the Q&A text of online interactive platforms, Electronic Commerce Research and Applications 61(4): 101292.
  • Kou, G., Xu, Y., Peng, Y., Shen, F., Chen, Y., Chang, K., & Kou, S. (2021). Bankruptcy prediction for SMEs using transactional data and two-stage multiobjective feature selection, Decision Support Systems 140: 113429.
  • Le, T., Vo, B., Fujita, H., Nguyen, N.T., & Baik, S.W.  (2019). A fast and accurate approach for bankruptcy forecasting using squared logistics loss with GPU-based extreme gradient boosting, Information Sciences 494: 294-310.
  • Li, Sh., Shi, W., Wang, J., & Zhou, H. (2021). A Deep Learning-Based Approach to Constructing a Domain Sentiment Lexicon: a Case Study in Financial Distress Prediction. Information Processing & Management 58(5):102673.
  • Li, Z., Crook, J., Andreeva, G., & Tang, Y. (2023). Predicting the risk of financial distress using corporate governance measures, Pacific-Basin Finance Journal 68: 101334.
  • Liu, W., Fan, H., Xia, M., & Pang, C. (2022). Predicting and interpreting financial distress using a weighted boosted tree-based tree. Engineering Applications of Artificial Intelligence 116: 105466.
  • Marso, S., & El Merouani, M. (2020). Predicting financial distress using hybrid feedforward neural network with cuckoo search algorithm. Procedia Computer Science 170: 1134-1140.
  • Matin, R., Hansen, C., Hansen, Ch., & Mølgaard, P. (2019). Predicting distresses using deep learning of text segments in annual reports. Expert Systems with Applications 132: 199-208.
  • Mattos, E.D.S., & Shasha, D. (2024). Bankruptcy prediction with low-quality financial information, Expert Systems with Applications 237(P1): 121418.
  • Mirjalili, S., Mirjalili, S.M., Lewis, A. (2014). Grey Wolf Optimizer. Advances in Engineering Software 69: 46-61.
  • Shen, F., Liu, Y., Wang, R., & Zhou, W. (2021). A dynamic financial distress forecast model with multiple forecast results under unbalanced data environment, Knowledge-Based Systems 192(4): 105365.
  • Sun, Y., Zhang, J., & Zhang, Y. (2023). Echo State Neural Network Based on an Improved Gray Wolf Algorithm Predicts Porosity through Logging Data, ACS Omega 2023 8(23): 21182–21194.
  • Tian, S., & Yu, Y. (2017). Financial ratios and bankruptcy predictions: An international evidence, International Review of Economics & Finance 51: 510-526.
  • Uthayakumar, J., Metawa, N.,  Shankar, K.,  & Lakshmanaprabu, S.K. (2020). Financial crisis prediction model using ant colony optimization, International Journal of Information Management 50: 538-556.
  • Veganzones, D., & Séverin, E.  (2018). An investigation of bankruptcy prediction in imbalanced datasets, Decision Support Systems 112: 111-124
  • Yu, L., & Li, M. (2023). A case-based reasoning driven ensemble learning paradigm for financial distress prediction with missing data. Applied Soft Computing 137: 110163.
  • Zhao, J., Ouenniche, J., & De Smedt, J.  (2024). Survey, classification and critical analysis of the literature on corporate bankruptcy and financial distress prediction, Machine Learning with Applications 15: 100527.
  • Zhao, Sh., Xu, K., Wang, Zh., Liang, Ch., Lu, W., & Chen, B. (2022). Financial distress prediction by combining sentiment tone features, Economic Modelling 106: 105709.
  • Zhou, F., Fu, L., Li, Zh., & Xu, J. (2022). The recurrence of financial distress: A survival analysis. International Journal of Forecasting 38(3): 1100-1115.
  • Zoričák, M., Gnip, P., Drotár, P., & Gazda, V. (2020). Bankruptcy prediction for small- and medium-sized companies using severely imbalanced datasetsEconomic Modelling 84: 165-176.