תש"ף

תש"ף

יכולת החיזוי של מדד אלטמן בחברות ציבוריות בשווקים ורטיקליים בישראל

חברי צוות:
טל אטיאס  ♦  מור ברלב  ♦  שלי כרמל

מנחה:
ד"ר איל בריל

מוטיבציה לפרויקט

  1. הרקע: מחקרים רבים בוצעו במטרה לחזות פשיטת רגל של חברות. אלטמן היה הראשון להשתמש במודלים רב-משתניים. ב-1968 ניתח יחסים פיננסים של חברות פושטות רגל ויציבות. נמצאו 5 יחסים פיננסים (X1-X5) שתרמו לניבוי באופן מובהק. נעשה במדד שימוש נרחב בכלכלות רבות גם כיום.
  2. הבעיה: המדד הינו מיושן, מותאם לשוק בארה"ב, לינארי, אינו לוקח בחשבון שוני בין ורטיקלים ועבור  ערכים מסוימים אינו יודע לנבא. יתר על כן, בחינת יעילותו של המדד בישראל לוקה בחסר הואיל ומרבית המחקרים אינם עדכניים, ומתבססים על שיטות מיושנות ומדגמים צרים, ללא השוואה בין ורטיקלים.
  3. מטרת הפרויקט: לבחון את יכולת החיזוי של מדד אלטמן ולהצביע על האלגוריתם בעל סיכויי הניבוי הגבוהים ביותר עבור ורטיקלים שונים בישראל.

סקירת ספרות

החוקרים חלוקים בדעותיהם לגבי מידת יעילות מדד אלטמן בישראל, והתוצאות אינן חד משמעיות. חלק מהמחקרים מראים כי ביצוע אדפטציות במדד מוביל לתוצאות טובות יותר. בשנת 1994 ערך יאיר אינגבר בישראל מחקר על דוחות כספיים של 40 חברות ציבוריות ישראליות ומצא שיישום המודל מניב תוצאות טובות אך בישראל החברות פועלות עם הון חוזר נמוך יותר ומנוף פיננסי גבוה יותר בהשוואה לחברות אמריקניות ובצע אדפטציות במדד. מחקר שבוצע בשנת 2009 ע"י ליפשיץ ובסוב השווה בין יכולת החיזוי של מדד אלטמן המקורי לחברות ציבוריות למודל אינגבר. תוצאות המחקר העידו כי המדד המומלץ לחיזוי מצבן הפיננסי של חברות בישראל הוא המודל של אינגבר.

מתודולוגיה

  1. בחירת המדגם: לצורך המחקר, הוחלט להתמקד בשלושה ורטיקלים. הורטיקלים הנבחרים הינם היי-טק (טכנולוגיה), תעשייה ומסחר ושירותים עבור השנים 2013-2018. 
  2. ייצוא ועיבוד הנתונים: באופן ידני מדוח רווח והפסד שנתי, דוח מאזן שנתי וגיליון נתונים היסטוריים באתר. חברות המוגדרות כחברות שאינן יציבות הינן חברות שלכל הפחות באחד מן הדוחות הפיננסים שלהן הופיעה הערת "עסק חי" המעידה שיש ספק להמשך קיומה של החברה לטווח של יותר משנה.
  3. הרצת האלגוריתמים: בוצעו שלושה סוגי הרצות - נתוני X1-X5 בלבד, נתונים פיננסים בלבד ונתוני X1-X5 בשילוב עם הנתונים הפיננסים. סט האלגוריתמים שהורץ - AdaBoostM1, Bagging, EM, IBk, J48, kMeans, Logistics, LWL, MultilayerPerceptron, RandomForest ו- REPTree.
  4. ניתוח הממצאים: לאחר ביצוע ההרצות הושוו מדד Kappa ו-TPR של כל אלגוריתם שיוצאו מהפלטים.

ממצאים

  1. ורטיקל הייטק: האלגוריתמים בעלי הביצועים הטובים ביותר הינם AdaBoost ו-RandomForest (Kappa- 0.64 לשניהם, TPR – 0.66 ו-0.63 בהתאמה). שניהם הורצו על נתוני X1-X5 בשילוב עם נתונים פיננסים. אלטמן במקום ה-27  מתוך 28 (Kappa-0.03, TPR-58%).
  2. ורטיקל תעשייה: AdaBoost (Kappa-0.6, TPR-61%) היה הטוב ביותר ואחריו RandomForest (Kappa-0.59, TPR-53%) בהרצה של נתוני X1-X5 בשילוב עם הנתונים הפיננסים. אלטמן במקום האחרון (Kappa 0.04-, TPR-50%).
  3. ורטיקל מסחר ושירותים: RandomForest (Kappa-0.73, TPR-63%) עם איקסים בלבד היה הטוב ביותר ומעט אחריו Randomforest שהורץ על נתוני X1-X5 בשילוב עם הנתונים הפיננסים (Kappa-0.7, TPR-61%). אלטמן מדורג אחרון (Kappa 0.04-, TPR-53%).
  4. סיכום התוצאות: האלגוריתמים בעלי שיעורי החיזוי הטובים ביותר היו Adaboost ו-RandomForest בווריאציות שונות של הרצות, כאשר השילוב בין X1-X5 לבין הנתונים הפיננסים מביא לתוצאות הטובות ביותר. אלטמן מדורג במקום האחרון על-פי Kappa. רשת נוירונים, רגרסיה לוגיסטית ורגרסיה מקומית נמצאו כבעלי יעילות נמוכה לחיזוי שרידות.

סיכום

  1. ההשערה הראשונה הופרכה ולא ניתן להסיק כי הורטיקלים השפיעו על שיעורי החיזוי של אלטמן. השערת המחקר השנייה אוששה, ומידת יעילותו של מדד אלטמן לניבוי פשיטת רגל הוכחה כנמוכה בהשוואה לאלגוריתמי בינה מלאכותית. 
  2. הערך המוסף: הפרויקט יאפשר למשקיעים פרטיים ומוסדיים, חברות, רואי חשבון ושאר בעלי עניין לחזות בצורה מיטבית את מידת היציבות של חברות ציבוריות בישראל בורטיקלים שונים. מדד יעיל בניבוי עתידן הכלכלי של חברות הוא בעל ערכיות גבוהה במציאות המודרנית בה אורך החיים הממוצע של חברות מתקצר משמעותית ושינויים חלים באופן תדיר ובקצב מהיר. מדובר במחקר ייחודי הואיל והוא מתמקד בשוק הישראלי, תוך השוואה בין ורטיקלים שונים, ושימוש בבינה מלאכותית.