مدلسازی و تجسم احتمالی برای پیش‌بینی ورشکستگی

پیش‌بینی ورشکستگی در حوزه‌های حسابداری و اقتصادی، برای همه سهامداران اقتصادی دارای مطلوبیت بسیار بالایی است.​ چالش ارزیابی دقیق پیش‌بینی شکست کسب‌وکار، به ویژه تحت سناریوهای بحران مالی، پیچیده است. اگر چه مطالعات موفقی در زمینه شناسایی ورشکستگی صورت‌گرفته است، اما کم‌تر به روش‌های احتمالی اشاره شده‌است. در این مقاله ما یک دیدگاه احتمالی را با استفاده از فرایندهای گاوسی (GP) در زمینه پیش‌بینی ورشکستگی در نظر گرفته و آن را با ماشین‌های بردار پشتیبانی (SVM) و رگرسیون لجستیک (LR) مقایسه می‌کنیم.​ تحلیلی عمقی با استفاده از داده‌های ورشکستگی دنیای واقعی، نشان می‌دهد که علاوه بر یک تفسیر احتمالی، GP می‌توانند به طور موثری عملکرد پیش‌بینی ورشکستگی را با دقت بالا در مقایسه با دیگر رویکردها بهبود بخشند. بعلاوه یک تجسم گرافیکی کامل برای بهبود درک از عملکردهای مختلف ایجاد کردیم، که در آن به شکلی موثر تمام آزمایش‌ها انجام‌شده را به شیوه‌ای معنی‌دار انجام دادیم. مطالعه خود را با یک تحلیل مبتنی بر آنتروپی کامل می‌کنیم که بر ویژگی‌های کنترلی عدم قطعیت موجود در فرایند گاوسی، که برای وظایف پیش‌بینی در م

In accounting and finance domains, bankruptcy prediction is of great utility for all of the economic stakeholders. The challenge of accurate assessment of business failure prediction, specially under scenarios of financial crisis, is known to be complicated. Although there have been many successful studies on bankruptcy detection, seldom probabilistic approaches were carried out. In this paper we assume a probabilistic point-of-view by applying Gaussian processes (GP) in the context of bankruptcy prediction, comparing it against the support vector machines (SVM) and the logistic regression (LR). Using real-world bankruptcy data, an in-depth analysis is conducted showing that, in addition to a probabilistic interpretation, the GP can effectively improve the bankruptcy prediction performance with high accuracy when compared to the other approaches. We additionally generate a complete graphical visualization to improve our understanding of the different attained performances, effectively