Predicting Financial Statement Failure of Listed Firms in the Market for Alternative Investment (mai) using Machine Learning

Abstract

The purpose of this research is to investigate the financial ratios of companies listed on the Market for Alternative Investment (mai) in Thailand, as well as the likelihood of these companies' financial statement failure. It also intends to create a financial statement failure predicting model for companies listed on the mai and assess the performance of various forecasting models using machine learning techniques. The study employs financial ratio data that affects the financial health of the companies, obtained from the Securities and Exchange Commission website (www.sec.or.th) and the Stock Exchange of Thailand Market Analysis and Reporting Tool: SETSMART from 2019 to 2023. The data is generated annually and used to develop a forecasting model using The Cross-Industry Standard Process for Data Mining (CRISP-DM) and three machine learning techniques: Logistic Regression, Deep Learning and k-Nearest Neighbors technique. The logistic regression model achieved an accuracy of 83.00%, recall of 80.86%, precision of 80.39%, and F-measure of 80.28%. Deep learning showed improved performance, with an accuracy of 95.59%, recall of 95.22%, precision of 94.76%, and F-measure of 94.87%. The k-NN model outperformed both, achieving the highest accuracy (96.54%), recall (96.34%), precision (95.70%), and F-measure (96.00%). These findings highlight the k-NN model’s superior ability to handle the dataset’s complexity and non-linearity, making it the most effective technique for predicting financial statement failure.

งานวิจัยนี้มีวัตถุประสงค์เพื่อวิเคราะห์อัตราส่วนทางการเงินของบริษัทที่จดทะเบียนในตลาดหลักทรัพย์ทางเลือก (Market for Alternative Investment: mai) รวมถึงความเสี่ยงต่อการล้มละลายทางการเงินของบริษัทเหล่านี้ นอกจากนี้ยังมีเป้าหมายในการสร้างแบบจำลองการพยากรณ์ภาวะล้มละลายทางการเงินสำหรับบริษัทที่จดทะเบียนในตลาดหลักทรัพย์ทางเลือกและประเมินประสิทธิภาพของแบบจำลองการพยากรณ์ต่างๆ โดยใช้เทคนิคการเรียนรู้ของเครื่อง (Machine Learning) งานวิจัยนี้ใช้ข้อมูลอัตราส่วนทางการเงินที่ส่งผลต่อสุขภาพทางการเงินของบริษัท ซึ่งได้มาจากเว็บไซต์ของสำนักงานคณะกรรมการกำกับหลักทรัพย์และตลาดหลักทรัพย์ (ก.ล.ต.) (www.sec.or.th) และเครื่องมือวิเคราะห์และรายงานตลาดหลักทรัพย์ (SETSMART) ตั้งแต่ปี พ.ศ. 2562 ถึง พ.ศ. 2566 ข้อมูลดังกล่าวเป็นข้อมูลประจำปีที่นำมาใช้ในการพัฒนาแบบจำลองการพยากรณ์โดยใช้ขั้นตอนมาตรฐานของการขุดค้นข้อมูล (CRISP-DM) และเทคนิคการเรียนรู้ของเครื่องสามแบบ ได้แก่ Logistic Regression, Deep Learning และ k-Nearest Neighbors ผลการศึกษาพบว่า แบบจำลองการถดถอยโลจิสติกมีค่าความแม่น (Accuracy) 83.00% ค่าการเรียกคืน (Recall) 80.86% ค่าความเที่ยง (Precision) 80.39% และค่าประสิทธิภาพโดยรวม (F-measure) 80.28% ในขณะที่แบบจำลองการเรียนรู้เชิงลึกให้ผลลัพธ์ที่ดีขึ้น โดยมีค่าความแม่น 95.59% ค่าการเรียกคืน 95.22% ค่าความเที่ยง 94.76% และค่าประสิทธิภาพโดยรวม 94.87% อย่างไรก็ตาม แบบจำลองเพื่อนบ้านใกล้สุด มีประสิทธิภาพสูงสุด โดยให้ค่าความแม่นสูงสุดที่ 96.54% ค่าการเรียกคืน 96.34% ค่าความเที่ยง 95.70% และค่าประสิทธิภาพโดยรวม 96.00% ผลการศึกษานี้ชี้ให้เห็นว่า แบบจำลองเพื่อนบ้านใกล้สุด (k-NN) มีความสามารถเหนือกว่าด้านการจัดการกับความซับซ้อนและความไม่เป็นเชิงเส้นของชุดข้อมูล ทำให้เป็นเทคนิคที่มีประสิทธิภาพมากที่สุดในการพยากรณ์ความล้มเหลวของงบการเงิน