پیش بینی دقیق عملکرد آینده شرکت برای سرمایه گذاران جهت کسب سود در معاملات اوراق بهادار مهم می باشد. یک مثال از این پیش بینی، احتمال ورشکستگی شرکت می باشد. زمانیکه شرکتها دچار ورشکستگی می شوند، احتمال بالایی وجود دارد که از بورس اوراق بهادار خارج شوند، و این نیز تاثیر قابل توجهی بر سرمایه گذاران دارد. بنابراین، در بورس اوراق بهادار شرکتهایی که در خطر بالای خروج از بورس قراردارند، بعنوان سهام تحت نظارت تلقی می شوند. شناسایی علائم ورشکستگی در مرحله اول برای سرمایه گذاران سودمند است. تحقیقات قبلی در زمینه پیش بینی ورشکستگی با استفاده از یادگیری ماشینی: تحقیقات زیادی درباره پیش بینی ورشکستگی با استفاده از شناسایی الگو یا یادگیری ماشینی اجرا شده است. درسال 1968، آلتمن به بررسی عملکرد تحلیل تشخیص خطی 22 نسبت مالی پرداخت که براساس دانش حسابداری انتخاب شده بودند و مدل پیش بینی ارائه کردند که پنج نسبت مالی را پیشنهادمی داد. از آن به بعد، مدلهای پیش بینی غیرخطی با استفاده از رگرسیون لجستیک (اولسون 1980)، شبکه های عصبی (اودوم و شادرا 1990، بردارت 201)، ماشین بردار پشتیبان (SVM) (شین، لی و کیم 2005؛ لی و سان 2009) و AdaBoost (الفالو، گارسیا، گامز و الیزوندو 2008؛ راماکریشنان، میرزایی و بکیر 2015) پیشنهاد شدند. علاوه بر الگوریتم ژنتیک (باک، لایتینین و سره 1996؛ گوردینی 2014) که معمولا در مسئله بهینه سازی استفاده می شود، استدلال مبتنی بر مورد (برایانت، 1998؛ سارتوری مازوچلی و گرگوری 2016) جهت کسب قانون تصمیم گیری برای ورشکستگی اعمال می شود. تحقیقات موجود درباره پیش بینی ورشکستگی به تعریف چندین شاخص مالی (در اغلب موارد، سه تا پنج شاخص) می پردازند که برای ارائه مدلهای پیش بینی مفید می باشند. یک مسئله بالقوه درباره روشهای موجود این است که شاخص های مالی مناسب برای شناسایی را نمی توان نادیده گرفت چون رابطه غیرخطی پیچیده ای با احتمال ورشکستگی دارند. شیراتا (1998) روشهای آماری را برای انتخاب شاخص های مالی اعمال کرده است تا از این مسئله اجتناب کند. وی از الگوریتم درخت رگرسیون و طبقه بندی (CART ) برای انتخاب چهار شاخص مالی استفاده کرد که برای پیش بینی ورشکستگی از میان 61 شاخص مالی مناسب از دیدگاه حسابداری موثر می باشند و توابع تشخیصی خطی با استفاده از این چهار متغیر را استخراج کرد. با این حال، انتخاب شاخص های مالی و ارائه مدل پیش بینی از طریق یادگیری ماشینی فرایندهای مجزایی می باشند؛ بنابراین، این مسئله وجود دارد که بهینگی دقت پیش بینی برای روش کل را نمی توان تضمین کرد.