دانلود ترجمه مقاله پیش بینی درماندگی مالی از طریق تلفیق کردن ویژگی های لحن عاطفی (ساینس دایرکت – الزویر ۲۰۲۲) (ترجمه ویژه – طلایی ⭐️⭐️⭐️)

elsevier

 

 

این مقاله انگلیسی ISI در نشریه الزویر در ۱۰ صفحه در سال ۲۰۲۲ منتشر شده و ترجمه آن ۳۱ صفحه میباشد. کیفیت ترجمه این مقاله ویژه – طلایی ⭐️⭐️⭐️ بوده و به صورت کامل ترجمه شده است.

 

دانلود رایگان مقاله انگلیسی + خرید ترجمه فارسی
عنوان فارسی مقاله:

پیش بینی درماندگی مالی از طریق تلفیق کردن ویژگی های لحن عاطفی

عنوان انگلیسی مقاله:

Financial distress prediction by combining sentiment tone features

 
 
 

 

مشخصات مقاله انگلیسی 
فرمت مقاله انگلیسی pdf و ورد تایپ شده با قابلیت ویرایش
سال انتشار ۲۰۲۲
تعداد صفحات مقاله انگلیسی ۱۰ صفحه با فرمت pdf
نوع مقاله ISI
نوع نگارش مقاله پژوهشی (Research article)
نوع ارائه مقاله ژورنال
رشته های مرتبط با این مقاله اقتصاد، مدیریت
گرایش های مرتبط با این مقاله اقتصاد مالی، مدیریت مالی، مهندسی مالی و ریسک
چاپ شده در مجله (ژورنال) مدل سازی اقتصادی – Economic Modelling
کلمات کلیدی پیش بینی درماندگی مالی، اظهار نظرها در تالارهای آنلاین بورس، بحث و تحلیل مدیریت، نکات صورت های مالی، CatBoost
کلمات کلیدی انگلیسی Financial distress prediction – Comments on online stock forums – Management discussion and analysis – Financial statement notes – CatBoost
ارائه شده از دانشگاه دانشکده مدیریت، دانشگاه فناوری هیفی، چین
نمایه (index) scopus – master journals – JCR
نویسندگان Shuping Zhao – Kai Xu – Zhao Wang – Changyong Liang – Wenxing Lu – Bo Chen
شناسه شاپا یا ISSN ۰۲۶۴-۹۹۹۳
شناسه دیجیتال – doi https://doi.org/10.1016/j.econmod.2021.105709
ایمپکت فاکتور(IF) مجله ۳٫۱۲۰ در سال ۲۰۲۰
شاخص H_index مجله ۷۷ در سال ۲۰۲۱
شاخص SJR مجله ۱٫۰۴۹ در سال ۲۰۲۰
شاخص Q یا Quartile (چارک) Q2 در سال ۲۰۲۰
بیس است 
مدل مفهومی دارد 
پرسشنامه ندارد
متغیر دارد 
فرضیه ندارد
رفرنس دارای رفرنس در داخل متن و انتهای مقاله
کد محصول ۱۲۲۶۳
لینک مقاله در سایت مرجع لینک این مقاله در سایت Elsevier
نشریه الزویر – Elsevier

 

مشخصات و وضعیت ترجمه فارسی این مقاله 
فرمت ترجمه مقاله pdf و ورد تایپ شده با قابلیت ویرایش
وضعیت ترجمه انجام شده و آماده دانلود
کیفیت ترجمه ویژه – طلایی ⭐️⭐️⭐️
تعداد صفحات ترجمه تایپ شده با فرمت ورد با قابلیت ویرایش  ۳۱ (۲ صفحه رفرنس انگلیسی) صفحه با فونت ۱۴ B Nazanin
ترجمه عناوین تصاویر و جداول ترجمه شده است 
ترجمه متون داخل تصاویر ترجمه شده است 
ترجمه متون داخل جداول ترجمه شده است 
ترجمه ضمیمه ندارد
ترجمه پاورقی ندارد
درج تصاویر در فایل ترجمه درج شده است  
درج جداول در فایل ترجمه درج شده است  
درج فرمولها و محاسبات در فایل ترجمه تایپ شده است
منابع داخل متن به صورت فارسی درج شده است
منابع انتهای متن به صورت انگلیسی درج شده است

 

فهرست مطالب

چکیده
۱ مقدمه
۲ مروی بر پیشینه
۲-۱ ویژگی ها در پیش بینی درماندگی مالی
۲-۲ مدل های پیش بینی درماندگی مالی
۳ طرح پژوهشی
۳-۱ مبنای نظری
۳-۲ کسب داده
۳-۳ پردازش داده و استخراج ویژگی
۳-۳-۱ ویژگی های مالی
۳-۳-۲ ویژگی های متنی
۳-۳-۳ انتخاب مقطع زمانی اظهارنظرها در تالار آنلاین بورس
۳-۴ ساخت مدل
۳-۴-۱ CatBoost
۳-۴-۲ دیگر مدل ها
۴ ارزیابی تجربی
۴-۱ مجموعه داده ی آزمایشی
۴-۲ انتخاب ویژگی های مالی
۴-۳ مقیاس های ارزیابی
۴-۴ انتخاب مقطع زمانی اظهار نظرها در تالارهای آنلاین بورس
۵ نتایج آزمایشی و بحث
۵-۱ نتایح آزمایشی و تحلیل
۵-۲ مزایای اقتصادی چهارچوب پیش بینی پیشنهادی
۵-۳ آزمون استواری
۶ نتیجه گیری
منابع

 

بخشی از ترجمه

چکیده

در این مقاله افزون بر ارائه ی ویژگی های مالی، یک چهارچوب نوین پیش می نهیم که با تلفیق کردن ویژگی های لحن عاطفیِ مستخرج از اظهار نظرها در تالارهای آنلاین بورس، بحث و تحلیل مدیریت، و نکات صورت های مالی، درماندگی مالی را پیش بینی می کند. ما چهارچوب پیشنهادی را با استفاده از داده های مربوط به بازار بورس چین در فواصل سال های ۲۰۱۶ تا ۲۰۲۰ ارزیابی می کنیم. ما درمی یابیم که شرکت های دچار درماندگی مالی با احتمال بیش-تری دارای لحن عاطفی ضعیفی هستند چون سرمایه گذاران نگرش منفی نسبت به وضعیت عملیاتی و مالی آن شرکت ها دارند، در حالی که شرکت های عادی وضعیت عکس دارند. افزون بر این، لحن عاطفی اظهار نظرها در طول یک ماه به طور کارامدی این همبستگی ها را منعکس می کند. ما گنجاندن ویژگی های لحن عاطفی را توصیه می کنیم چون آن ها به بهبودی عملکرد پیش بینی همه ی مدل هایی که صرفاً از ویژگی های مالی استفاده می کنند، می انجامند، و همچنین استفاده از مدل CatBoost را توصیه می کنیم چون نسبت به همه ی مدل های معیار عملکرد بهتری دارد و از این توانایی برخوردار است که روابط میان ویژگی های پیچیده را استخراج کند. تحلیل مزایای اقتصادی نشان می-دهد که چهارچوب پیشنهادی می تواند به درستی شرکت های از نظر مالی درمانده تر را شناسایی کند.

۱ مقدمه

با گسترش مستمر حجم بازار اوراق بهادار و توسعه ی تدریجی بازار سرمایه، شرکت ها با محیط های اقتصادی بسیار پیچیده و متغیر و فشار رقابتی عظیمی رو به رو هستند (لیو و همکاران، ۲۰۲۰). بدون یک سازوکار مناسب برای تطبیق دادن با این محیط، شرکت ها با احتمال بیش تری به مسائل و مشکلاتی برمی خورند، مانند نقدینگی ناکافی و بدهی های فراوان، که در نهایت منجر به درماندگی مالی می شوند (وانگ و همکاران، ۲۰۱۸). درماندگی مالی به عنوان یکی از نگران کننده ترین مسائل در حوزه ی اقتصادی می تواند به طور نامطلوبی بر توسعه ی پایدار شرکت ها تأثیر بگذارد، بقای آن ها را تهدید کند، و منجر به زیان های هنگفت برای سرمایه گذاران، بستانکاران، مشتریان، و دیگر ذینفعان (بهره وران) شود (کیم و اوپنجا، ۲۰۱۴). هنگامی که شمار شرکت های در وضعیت درماندگی مالی به یک سطح مشخص می رسد، ممکن است درماندگی مالی اجتماعی رخ دهد و ثبات و پایداری توسعه ی اقتصاد کلان ممکن است به خطر بیفتد (مای و همکاران، ۲۰۱۹).

۶ نتیجه گیری

توانایی پیش بینی کردن به هنگام و کارامد درماندگی مالی برای تصمیم گیری شرکت ها و ذینفعان مهم است. بنابراین، پژوهشگران مدت هاست که توجه ویژه ای به تدوین و طراحی مدل پیش بینی درماندگی مالی با عملکرد افتراقی بالاتر مبذول داشته اند. به دست آوردن ویژگی های معتبر و ساختن مدل هایی با عملکرد بالا، مولفه های ارزشمندی برای بهبود توانایی پیش بینی دقیق درماندگی مالی هستند. در این مقاله، ما استفاده از تلفیق اطلاعات مالی پایه ای و دیگر اطلاعات متنی و CatBoost برای بهبود عملکرد افتراقی پیش بینی درماندگی مالی شرکت های ثبت شده را مطالعه می کنیم. ما چهارچوبی را پیشنهاد می کنیم که ویژگی های لحن عاطفی مستخرج از تالارهای آنلاین بورس، بحث و تحلیل مدیریت، و نکات صورت های مالی را تلفیق می کند. به ویژه، ما ویژگی های مرتبط را از تالارهای آنلاین بورس استخراج می کنیم و اثبات می کنیم که این ویژگی ها می توانند به طور چشمگیری صحت پیش بینی درماندگی مالی را بهبود ببخشند. ما تأثیر تالارهای آنلاین بورس طی مقاطع زمانی گوناگون و ویژگی های لحن عاطفی گوناگون بر مدل پیش بینی درماندگی مالی را بررسی می کنیم. ما همچنین شش مدل با استفاده از LR، DT، SVM، XGBoost و ANN طراحی می کنیم و عملکرد CatBoost با پنج مدل معیار دیگر به ازای مجموعه ویژگی های گوناگون مقایسه می شود.

 

بخشی از مقاله انگلیسی

Abstract

In addition to financial features, we propose a novel framework that combines sentiment tone features extracted from comments on online stock forums, management discussion and analysis, and financial statement notes, to predict financial distress. We evaluate the proposed framework using data from the Chinese stock market between 2016 and 2020. We find that financially distressed companies are more likely to have weak sentiment tones as investors have a negative attitude toward the operation and financial status of the companies, while normal companies are to the contrary. Additionally, the sentiment tones of comments within one month most effectively reflect such correlations. We recommend incorporating sentiment tone features as they contribute to predictive performance improvements of all models using financial features only, and using the CatBoost model as it outperforms all benchmarked models with its ability to capture complex feature relationships. Economic benefits analysis shows that the proposed framework can correctly identify more financially distressed companies.

۱ Introduction

With the continuous expansion of the scale of the securities market and the gradual development of the capital market, companies are facing highly complex and changeable economic environments and huge competitive pressure (Liu et al., 2020). Without a good mechanism to adapt to this environment, companies are more likely to encounter problems, such as insufficient liquidity and excessive liabilities, which eventually lead to financial distress (Wang et al., 2018). As one of the most concerning issues in the economic field, financial distress can adversely affect the sustainable development of companies, threaten their survival, and result in huge losses to investors, creditors, customers, and other stakeholders (Kim and Upneja, 2014). When the number of companies in financial distress accumulates to a certain level, social financial distress may occur and the stability and sustainability of macroeconomic development may be endangered (Mai et al., 2019).

۶ Conclusion

The ability to predict financial distress timely and effectively is important for the decision-making of companies and stakeholders. Therefore, researchers have paid close attention toward developing a financial distress prediction model with higher discrimination performance for a long time. Obtaining valid features and building highperformance models have proven to be important directions for improving the ability to accurately predict financial distress. In this paper, we study the use of COSF to supplement basic financial information and other text information and CatBoost to improve the discrimination performance of predicting the financial distress of listed companies. We propose a framework that combines sentiment tone features extracted from COSF, MD&A, and FSN. Specifically, we extract relevant features from COSF and prove that these features can significantly improve the accuracy of predicting financial distress. We examine the impact of COSF during different periods and different sentiment tone features on the financial distress prediction model. We also build six models using CatBoost, LR, DT, SVM, XGBoost, and ANN, and the performance of CatBoost is compared with the other five benchmark models on different feature sets.

 

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

دانلود رایگان مقاله انگلیسی + خرید ترجمه فارسی
عنوان فارسی مقاله:

پیش بینی درماندگی مالی از طریق تلفیق کردن ویژگی های لحن عاطفی

عنوان انگلیسی مقاله:

Financial distress prediction by combining sentiment tone features

 
 
 

ارسال دیدگاه

نشانی ایمیل شما منتشر نخواهد شد.