การทำนายความล้มเหลวทางการเงินของบริษัทจดทะเบียนในตลาดหลักทรัพย์แห่งประเทศไทยด้วยการเรียนรู้ของเครื่องที่มีการจัดการข้อมูลที่ไม่สมดุลร่วมกับการคัดเลือกตัวแปร

งานวิจัยนี้มีวัตถุประสงค์เพื่อเปรียบเทียบประสิทธิภาพความสามารถในการพยากรณ์ความล้มเหลวทางการเงินบริษัทจดทะเบียนในตลาดหลักทรัพย์แห่งประเทศไทยโดยใช้ข้อมูลอัตราส่วนทางการเงินของกิจการโดยการใช้การเรียนรู้ของเครื่องในการทำนาย ซึ่งปกติข้อมูลความล้มเหลวทางการเงินเป็นข้อมูลที่ไม่สมดุลและเป็นปัญหาที่สำคัญในเทคนิคการจำแนก เนื่องจากการมีข้อมูลที่ไม่สมดุลกันระหว่างประเภทของตัวแปรตาม จะทำให้ประสิทธิภาพในการจำแนกประเภทหรือการทำนายลดลง และตัวแปรอิสระที่ใช้ในการจำแนกมีจำนวนหลายตัวแปร จำเป็นที่จะต้องมีการคัดเลือกบางตัวแปรที่มีความสัมพันธ์ระหว่างกันสูงและมีความซ้ำซ้อนกันออกจากตัวแบบ เพื่อเพิ่มประสิทธิภาพในการทำนายและลดระยะเวลาในการประมวลผล ดังนั้น การศึกษาครั้งนี้จึงนำวิธีการแก้ปัญหาข้อมูลที่ไม่สมดุลในหลายวิธี ได้แก่ วิธีสังเคราะห์ข้อมูลใหม่ (SMOTE) วิธีสังเคราะห์ข้อมูลใหม่โดยใช้ข้อมูลชายขอบ (BLSMOTE) และวิธีการเพิ่มข้อมูลผสมการปรับลด (Hybrid over and under sampling) ร่วมกับวิธีการคัดเลือกตัวแปรด้วยวิธีการวิเคราะห์การถดถอยแบบพีนอลไลซ์ ได้แก่ วิธีการวิเคราะห์การถดถอยลาสโซ วิธีการวิเคราะห์การถดถอยลาสโซปรับได้ วิธีการวิเคราะห์การถดถอยอิลาสติคเน็ต วิธีการวิเคราะห์การถดถอยอิลาสติคเน็ตปรับได้ โดยการเรียนรู้ของเครื่องที่ใช้ในการทำนายได้แก่ Logistic Regression, Random Forest, Partial Decision Tree (PART), Decision Tree (C5.0), Support Vector Machine (SVM) และ Extreme Gradient Boosting (XGBoost) นอกจากนี้มีการวัดประสิทธิภาพของตัวแบบของข้อมูลทดสอบด้วย ค่าตัวชี้วัด G-mean , Balanced Accuracy และ Matthews correlation coefficient (MCC) ซึ่งเป็นตัววัดที่เหมาะสมสำหรับการจำแนกข้อมูลที่ไม่สมดุล ผลจากการวิจัยฉบับนี้พบว่า การสร้างตัวแบบการเรียนรู้ของเครื่องที่มีการจัดการกับข้อมูลที่ไม่สมดุลร่วมกับการคัดเลือกตัวแปร สามารถเพิ่มประสิทธิภาพการทำนายความล้มเหลวทางการเงินของบริษัทจดทะเบียนในตลาดหลักทรัพย์แห่งประเทศไทย และมีความเหมาะสมในการจัดการกับข้อมูลที่ไม่สมดุล การมีตัวแปรอิสระในตัวแบบมากเกินไป มีความซ้ำซ้อนและเกิดปัญหาความสัมพันธ์เชิงเส้นพหุ