Application of deep learning in identifying signs of bankruptcy

Document Type : Original Article

Authors
akram karimpour 1
Mohsen Azhdar 2
Sayed Mohammad Reza Davoodi 3
1 Department of Financial Engineering, Deh.C, Islamic Azad University, Isfahan, Iran.
2 Department of Accounting, ShK.C, Islamic Azad University, Shahrekord, Iran
3 Department of Management, Deh.C, Islamic Azad University, Isfahan, Iran.
10.22034/jik.2025.78226.4669
Abstract
With the expansion of the industry's role and its economic significance, preventing financial crises and corporate distress has become a key topic in financial management. The aim of this research is to propose a novel model based on deep learning and the Grey Wolf Optimization (GWO) algorithm for predicting financial distress. Using data from 160 companies listed on the Tehran Stock Exchange from 2012 to 2022, relevant financial indicators were identified. Subsequently, the proposed model's performance was evaluated by applying deep learning techniques and optimization algorithms.

Findings showed that the deep learning model based on the Grey Wolf algorithm, with an accuracy of 87%, outperformed the traditional artificial neural network model, which had an accuracy of 62%. This demonstrates the capability of artificial intelligence methods and metaheuristic algorithms in identifying complex patterns in financial data.

This research, by integrating multi-source data, advanced algorithms, and localizing the model for Iran's economic conditions, takes a novel step in providing preventive solutions and financial risk management. Practical applications of this model include identifying at-risk companies, supporting investment decision-making, and developing macro-level supportive policies.

Keywords: Financial distress, Deep learning, Grey Wolf Optimization, Financial prediction, Artificial intelligence
  1. احمدپور، احمد، شهسواری، معصومه، عموازده خلیلی (1395). بررسی عوامل مؤثر بر ریسک درماندگی مالی شرکت‌ها، مطالعات تجربی حسابداری مالی، دوره 13، شماره 51، ص ص 34-9.
  2. اسماعیلی، سهیلا و گوگردچیان، احمد (1396). پیش‌بینی درماندگی مالی با استفاده از صورت جریان نقد: رهیافت شبکۀ عصبی مصنوعی، مدیریت فرهنگ‌سازمانی، دوره 15، شماره 4، ص ص 901-879.
  3. ابراهیمی سرو علیا، باباجانی، جعفر، آخوند، فاخر، اسلام. (2019). ارائه الگویی برای پیش‌بینی پویای درماندگی مالی با استفاده از تحلیل بقاء.فصلنامه علمی پژوهشی اقتصاد مقداری, 15(4), 167-198.‎
  4. افلاطونی، عباس (1395) تأثیر مدیریت سود بر عملکرد مدل‌های ارزش‌گذاری مبتنی بر سود حسابداری، مطالعات تجربی حسابداری مالی، دوره 13، شماره 50، ص ص 203-185.
  5. برگ بید، احمد و جعفری، علی و صالح نژاد، سید حسن (1401). ارائه الگوی ترکیبی سه‌بعدی (مالی، اقتصادی، پایداری) در پیش‌بینی درماندگی مالی شرکت‌ها، فصلنامه پژوهش‌های حسابداری مالی و حسابرسی، دوره 13، شماره 51، ص ص 132-105.
  6. پور حیدری، امید کوپائی حاجی، مهدی (1389) پیش‌بینی بحران مالی شرکت‌ها با استفاده از مدل مبتنی بر تابع تفکیکی خطی، مجله پژوهش‌های حسابداری مالی، سال 3، شماره 4، ص ص 46-33.
  7. پورزمانی، زهرا، توانگرحمزه کلایی، افسانه و آوا، کیارسی (1388). بررسی الگوی لوجیت و تحلیل تمایزی چند متغیره در پیش‌بینی وضعیت مالی شرکت‌های بورس اوراق بهادار تهران، پژوهشنامه حسابداری و مالی، ص ص 122-95.
  8. حاجیها، زهره و صابری روچی، محمدرضا (1400). متن‌کاوی و پیش‌بینی درماندگی مالی، نشریه مطالعات حسابداری و حسابرسی، دوره 10، شماره 38، ص ص 52-39.
  9. خوشکار، فرزین و فضلی، اسماعیل و لشگری، علی‌رضا (1398). رابطه بین نسبت‌های مالی سودآوری و پیش‌بینی درماندگی در شرکت‌های پذیرفته شده بورس اوراق بهادار تهران، فصلنامه رویکردهای پژوهشی نوین در مدیریت و حسابداری، سال 3، شماره 23، ص ص 21-1.
  10. خوش‌طینت، محسن و قسوری، محمود تقی (1384). مقایسه بین نسبت‌های مالی ترکیبی مبتنی بر صورت جریان وجوه نقد و اقلام تعهدی با نسبت‌های مالی صرفاً مبتنی بر اقلام نسبت‌های مای بر ترازنامه و سود (زیان) در پیش‌بینی درماندگی مالی شرکت‌ها، فصلنامه مطالعات حسابداری، سال 3، شماره 9، ص ص 63-61.
  11. خداکریمی، پری و پیری، پرویز (1396). پیش‌بینی درماندگی مالی بر مبنای الگوی ترکیبی از اطلاعات حسابداری و بازار با رویکرد رگرسیون لجستیک، مطالعات تجربی حسابداری مالی، دوره 14، شماره 55، ص ص 168-145.
  12. دباغ، رحیم و شیخ بگلو، سیما (1399). پیش‌بینی درماندگی شرکت‌های پذیرفته شده در بورس اوراق بهادار تهران با روش‌های شبکه عصبی مصنوعی و مدل فولمر، مجله توسعه و سرمایه، دوره 5، شماره 2، ص ص 168-153.
  13. رمضان زاده زیدی، عباس و فغانی ماکرانی، خسرو و جعفری، علی (1398). بسط مدل‌سازی درماندگی مالی با استفاده از مدیریت سود شرکت‌ها در محیط اقتصادی ایران، فصلنامه علمی مدل‌سازی اقتصادی، دوره 13، شماره 46، ص ص 120-101.
  14. رحیمیان نظام‌الدین، توکل نیا اسماعیل، قربانی محمود. (1393)، درماندگی مالی و تأخیر گزارش حسابرسی، دانش حسابداری مالی، 57-77.‎
  15. رمضان زاده زیدی عباس، فغانی ماکرانی خسرو، جعفری علی، (1398)، بسط مدل‌سازی درماندگی مالی با استفاده از مدیریت سود شرکت‌ها در محیط اقتصادی ایران. نشریه مدل‌سازی اقتصادی، 101-120.‎
  1. رحیمی، حمید و مینویی، مهرزاد و فتحی، محمدرضا (1401). تبیین متغیرهای مالی مؤثر در پیش‌بینی درماندگی مالی: کاربرد شبکه عصبی مصنوعی، نشریه علمی صنعت لاستیک ایران، دوره 25، شماره 101، ص ص 84-65.
  2. رستمی، محمدرضا، فلاح شمس، میر فیض و فرزانه اسکندری (1390). ارزیابی درماندگی مالی شرکت‌های پذیرفته شده در بورس اوراق بهادار تهران: مطالعه مقایسه‌ای پوششی داده‌ها و رگرسیون لجستیک، پژوهش‌های مدیریت ایران، دوره 15، شماره 3، ص ص 147-129.
  3. ستایش، محمدحسین و منصوری، شعله (1393). بررسی مقایسه‌ای سازوکارهای حاکمیت شرکتی در شرکت‌های درمانده و غیر درمانده مالی پذیرفته شده در بورس اوراق بهادار تهران، تحقیقات مالی، شماره 16، دوره 1، ص ص 99-112.
  4. سعیدی، علی و آقایی، آرزو (1388). پیش‌بینی درماندگی مالی شرکت‌های پذیرفته شده در بورس اوراق بهادار تهران با استفاده از شبکه‌های بیز، بررسی‌های حسابداری و حسابرسی، شماره 56، ص ص 78-59.
  5. ساده وند، نیکومرام، هاشم، قالیباف اصل، فلاح شمس، میرفیض. (2022). بررسی و مقایسه عملکرد مدل‌های متعارف و ترکیبی در پیش‌بینی درماندگی مالی. تحقیقات مالی, 24(2), 214-235.‎
  6. فدائی‌نژاد، محمد اسماعیل، شهریاری، سلیم، فرشاد. (2015). تجزیه‎ و تحلیل رابطۀ ریسک درماندگی مالی و بازده سهام. بررسی‌های حسابداری و حسابرسی, 22(2), 243-262.‎
  7. فدایی نژاد، محمد اسماعیل و سلیم فرشاد (1394). تجزیه و تحلیل رابطه درماندگی مالی و بازده سهام در شرکت‌های پذیرفته شده در بورس اوراق بهادار تهران، فصلنامه بررسی‌های حسابداری و حسابرسی، شماره 2، ص ص 243-262.
  8. فرید، داریوش و فقیه زاده، سحر السادات و عندلیب، داوود (1402). سناریونویسی عوامل مؤثر بر درماندگی مالی با استفاده از تکنیک پویایی سیستم فازی، بررسی مسائل اقتصاد ایران، دوره 9، شماره 2، ص ص 214-185.
  9. قالیباف اصل، حسن و افشار، منیژه (1393) بررسی کاربرد استفاده از مدل KMV در پیش‌بینی ریسک و درماندگی شرکت‌های پذیرفته شده در بورس اوراق بهادار تهران و مقایسه با نتایج مدل رتبه Z آلتمن، مجله مهندسی مالی و مدیریت اوراق بهادار، شماره 21.
  10. کردستانی، غلامرضا، غیور، فرزاد و علی، آشتاب (1390). مقایسه کارآیی نسبت‌های مالی مبتنی بر روش نقدی و روش تعهدی در پیش‌بینی درماندگی مالی شرکت‌های پذیرفته شده در بورس اوراق بهادار تهران، فصلنامه بورس اوراق بهادار، شماره 15، ص ص 191 -225.
  11. کرمی، غلامرضا و سید محسنی، سید مصطفی (1391) سودمندی اطلاعات حسابداری نسبت به اطلاعات بازار در پیش‌بینی درماندگی، مجله دانش حسابداری، سال سوم، ص ص 116-93.
  12. لطفی، بهناز و بحری ثالث، جمال و جبارزاده کنگرلویی، سعید و حیدری، مهدی (1403). پیش‌بینی درماندگی مالی با مدل ترکیبی (مطالعه موردی: شرکت‌های پذیرفته شده در بورس اوراق بهادار تهران)، دانش سرمایه‌گذاری، دوره 131، شماره 50، ص ص 370-349.
  13. محسنی، رضا آقا بابایی، رضا و وحید محمد، قربانی (1392). پیش‌بینی درماندگی مالی با بکار بردن کارایی به‌عنوان یک متغیر پیش‌بینی کننده، فصلنامه پژوهش‌ها و سیاست‌های اقتصادی، سال بیست و یکم، شماره 65، ص 146-123.
  14. موسوی شیری، محمود و طبرستانی، محمدرضا (1391). پیش‌بینی درماندگی مالی با استفاده از الگوی مبتنی بر تحلیل تشخیصی و ارزیابی تأثیر متغیر کارایی در بهبود الگو، فصلنامه علمی پژوهشی پژوهش‌های مدیریت در ایران، دوره 16، شماره 1، ص ص 168-149.
  15. منصورفر، غلامرضا، غیور، فرزاد و بهناز، لطفی (1392). ترکیب اجزای جریان نقد و پیش‌بینی درماندگی مالی در بورس اوراق بهادار تهران، تحقیقات حسابداری و حسابرسی، شماره 18.
  16. منصورفر، غلامرضا، غیور، فرزاد و بهناز، لطفی (1394). توانایی ماشین بردار پشتیبان در پیش‌بینی درماندگی مالی، فصلنامه پژوهش‌های تجربی حسابداری، دوره 5، شماره 1، ص ص 195-177.
  17. موسوی شیری، سید محمود و طبرستانی، محمدرضا (1390). توانایی مدل مبتنی بر تحلیل لوجیت در پیش‌بینی درماندگی مالی و تأثیر متغیر کارایی در بهبود مدل، دو ماهنامه علمی- پژوهشی دانشگاه شاهد، سال 18، دوره جدید، ص ص 47-1.
  18. مرادی، پور فخاران، نادری. (2023). رابطه درماندگی مالی و مدیریت سود با توجه به نقش اندازه حسابرس در دوران رکود. قضاوت و تصمیم‌گیری در حسابداری و حسابرسی, 1(4), 135-160.‎
  19. نجارزاده، یوکابد، (1397)، ارائه رویکردی جهت پیش‌بینی بحران مالی با استفاده از شاخص مالم کویست، پایان‌نامه کارشناسی ارشد، دانشگاه البرز.
  20. نبوی چاشمی، سید علی، احمدی، موسی و صادق مهدوی، فرح‌آبادی (1389). پیش‌بینی درماندگی شرکت‌ها با استفاده از مدل لاجیت، مجله مهندسی مالی و مدیریت پرتفوی، ص ص 81-55.
  21. نیرومند، فدیشه­ای، محمدزاده. (2020). یادگیری عمیق ماشینی؛ چالش‌های فلسفی و رهیافت‌ها. فلسفه علم, 10(20), 185-202.‎
  22. یوسفی، امید، خیراللهی، دلاوری. (2022). تأثیر بحران مالی جهانی بر درماندگی مالی، مدیریت سود و قیمت‌گذاری اقلام تعهدی. اقتصاد پولی مالی, 29(1).‎
  23. Altman, E. I. (1968). Financial ratios, discriminant analysis and the prediction of corporate bankruptcy. The journal of finance, 23(4), 589-609.
  24. Acosta-González, E., & Fernández-Rodríguez, F, Ganga H, (2017), Predicting Corporate Financial Failure Using Macroeconomic Variables and Accounting Data, Computational Economics.
  25. Agarwal, V. and Taffler, R.J (2008), "Comparing the performance of market-based and accounting-based bankruptcy prediction models", Journal of Banking and Finance, Vol. 32. PP: 1541-1551.
  26. Ashraf, S., GS Félix, E., & Serrasqueiro, Z. (2019). Do traditional financial distress prediction models predict the early warning signs of financial distress?. Journal of Risk and Financial Management, 12(2), 55.
  27. 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.
  28. Bengio, Y. (2009). Learning deep architectures for AI. Foundations and trends® in Machine Learning, 2(1), 1-127.
  29. Bengio, Y. (2014). Evolving culture versus local minima. Growing adaptive machines: Combining development and learning in artificial neural networks, 109-138.
  30. Bluwstein, K., Buckmann, M., Joseph, A., Kapadia, S., & Simsek, Ö. (2021). Credit growth, the yield curve and financial crisis prediction: Evidence from a machine learning approach.
  1. Chandra, D. K., Ravi, V., & Bose, I. (2009). Failure prediction of dotcom companies using hybrid intelligent techniques.