A Hybrid Early Warning System for Corporate Financial Distress: Integrating Traditional Methods with Machine Learning Techniques in Companies Listed on the Egyptian Exchange | ||||
| المجلة المصرية للدراسات التجارية | ||||
| Volume 49, Issue 1, January 2025, Page 424-470 PDF (725.51 K) | ||||
| Document Type: المقالة الأصلية | ||||
| DOI: 10.21608/alat.2025.415356 | ||||
 View on SCiNiTO | ||||
| Authors | ||||
| Asmaa Ahmed Abo Alkomsan1; Mostafa Mohamed Yacoub2 | ||||
| 1Business Administration Department, Faculty of Managerial Sciences Sadat Academy for Management Sciences, Cairo, Egypt | ||||
| 2Information Systems Department, Faculty of Computers and Information Sadat Academy for Management Sciences, Cairo, Egypt | ||||
| Abstract | ||||
| Abstract Financial distress prediction has become a focal research area in corporate finance, driven by the imperative of risk management and informed decision-making. This study proposes a hybrid modeling framework that integrates the Altman Z-score—a longstanding traditional financial metric—with four machine learning algorithms (Random Forest, Support Vector Machine, Logistic Regression, and XGBoost). The framework was empirically tested on companies listed on the Egyptian Exchange, as applied on a sample of 48 companies across five sectors, according to the nature of each of these sectors in terms of type of industry, as follows: food, beverages and tobacco sector, manufacturing sector, health care & pharmaceuticals sector, real estate sector, and services sector over the period from 2019 to 2023. By assigning determined weights to each component, the model describes both linear and non-linear patterns in corporate data. Empirical analysis, spanning multiple sectors, demonstrates the framework’s predictive accuracy, achieving a 97.91% success rate, and highlights significant sector-specific distress patterns. These findings underscore the potential of combining established financial theory with modern computational techniques, offering robust and interpretable early warning systems for investors, financial institutions, and regulators. ملخص البحث: لقد أصبح التنبؤ بالتعثر المالي مجالًا بحثيًا محوريًا في تمويل الشركات، مدفوعًا بضرورة إدارة المخاطر واتخاذ القرارات المستنيرة. تقترح هذه الدراسة إطارًا لنموذج هجين يدمج نموذج Altman Z - وهو مقياس مالي تقليدي قديم - مع أربع خوارزميات للتعلم الآلي (الغابة العشوائية Random Forest ، وآلة المتجهات الداعمة Support Vector Machine ، والانحدار اللوجستي Logistic Regression، XGBoost). تم اختبار النموذج المقترح على الشركات المدرجة في البورصة المصرية، كما تم تطبيقه على عينة من 48 شركة تمثل خمسة قطاعات، وفقًا لطبيعة كل من هذه القطاعات من حيث نوع الصناعة، على النحو التالي: قطاع الأغذية والمشروبات والتبغ، وقطاع الصناعة، وقطاع الرعاية الصحية والأدوية، وقطاع العقارات، وقطاع الخدمات خلال الفترة من 2019 إلى 2023. من خلال وضع أوزان محددة لكل مكون، يصف النموذج الأنماط الخطية وغير الخطية في بيانات الشركات. ويوضح التحليل التجريبي، الذي يشمل قطاعات متعددة، الدقة التنبؤية التي يتمتع بها النموذج، حيث حقق معدل نجاح بلغ 97.91%، كما يسلط الضوء على أنماط التعثر المرتبطة بكل قطاع. وتؤكد هذه النتائج على إمكانية الدمج بين نظريات التعثر المالي التقليدية والتقنيات الحديثة، مما يوفر أنظمة إنذار مبكر قوية وقابلة للتفسير للمستثمرين والمؤسسات المالية والهيئات التنظيمية. الكلمات الافتتاحية: التعثر المالي - إدارة المخاطر - الغابة العشوائية - آلة المتجهات الداعمة - الانحدار اللوجستي. | ||||
| Keywords | ||||
| Keywords: Financial distress - risk management - Atlman Z-score - Random Forest - Support Vector Machine - Logistic Regression; XGBoost. الكلمات الافتتاحية: التعثر المالي - إدارة المخاطر - الغابة العشوائية - آلة المتجهات الداعمة - الانحدار اللوجستي | ||||
|
Supplementary Files
|
||||
|
Statistics Article View: 173 PDF Download: 169 |
||||
