بررسی دقت شبکه های عصبی مصنوعی و الگوریتم بهینه سازی کلونی مورچگان در پیش بینی مدیریت سود

Authors

Abstract:

شناخت کیفیت سود برای استفاده­کنندگان از اطلاعات حسابداری به دلیل ارزیابی عملکرد، پیش­بینی سودآوری و تعیین ارزش واقعی شرکت­ها بسیار حائز اهمیت است. هدف از این پژوهش بررسی دقت پیش‎بینی مدیریت سود با استفاده از شبکه‎های عصبی (ANN) و الگوریتم کلونی مورچگان (ACO) و مقایسه آن با مدل‎ خطی (LR) است. برای این منظور از 28 متغیر تاثیرگذار بر مدیریت سود در قالب چهار گروه (مالی، مدیریتی، شرکتی و حسابرسی) در طی سال­های 1390 الی 1395 در 124 شرکت پذیرفته شده بورس اوراق بهادار تهران استفاده گردید. نتایج کلی حاصل از این پژوهش نشان داد که روش شبکه­ی عصبی مصنوعی و الگوریتم کلونی مورچگان در پیش­بینی مدیریت سود نسبت به روش خطی دقیق­تر و دارای سطح خطای کمتری است. همچنین دقت ترکیب الگوریتم کلونی مورچگان با شبکه­ی عصبی (A-ANN) حاکی از برتری این الگو در قیاس با الگوی شبکه عصبی مصنوعی است. نتایج ترکیب شبکه­ی عصبی مصنوعی الگوریتم کلونی مورچگان با ضریب همبستگی (878/0) نشان داد این الگو با شش متغیر دقت پیش­بینی، سهم مالکیت سهامداران عمده، سودآوری، نوسانات سود، سن شرکت و اندازه شرکت  توانایی پیش­بینی مدیریت سود را با دقت 97 درصد دارد.  

Upgrade to premium to download articles

Sign up to access the full text

Already have an account?login

similar resources

بکارگیری الگو ترکیبی شبکه های عصبی مصنوعی با الگوریتم های فراکاوشی (ICA,PSO) در پیش بینی مدیریت سود

رویکردهای فراکاوشی عمدتاً بر اساس نظم و قواعد موجود در ارگانیسم‌های طبیعی الهام گرفته‌اند. این رویکرد‌ها امروزه کاربرد بسیاری در شاخه‌های مختلف پیدا کرده است. با توجه به اهمیت پیش‌بینی، شناخت روش‌ها در پیش‌بینی مدیریت سود می‌تواند اطلاعات مفیدی را برای ذینفعان فراهم آورد. تنوع عوامل بدست آمده ناشی از نتایج الگوهای خطی برای سنجش مدیریت سود موجب شده است سرمایه‌گذارن نسبت به کیفیت سود گزارش شده ترد...

full text

پیش بینی سطح مدیریت سود با استفاده از شبکه های عصبی مصنوعی...

اکثر تحقیقات انجام شده در حوزه مدیریت سود به بررسی انگیزه ها و عوامل موثر بر سطح مدیریت سود پرداخته اند، ولی از این متغیرها به طور مستقیم برای پیش بینی سطح مدیریت سود استفاده نشده است. در نتیجه تنها همبستگی بین مدیریت سود و این متغیرها بررسی شده است. از این رو، طراحی یک مدل برای پیش بینی سطح مدیریت سود به منظور کاهش ریسک بحران های مالی ناشی از مدیریت سود و کمک به سرمایه گذاران، اعتبار دهندگان و...

full text

مقایسه دقت پیش بینی مدیریت سود با استفاده از الگوریتم های مورچگان و غذایابی باکتری

هدف این تحقیق بررسی این موضوع است که آیا می توان مدیریت سود را براساس مدل های مبتنی بر یادگیری ماشین کشف کرد. در این تحقیق برای پیش بینی مدیریت سود از مدل های مبتنی بر یادگیری ماشین (الگوریتم کلونی مورچه ها و غذایابی باکتری) استفاده شده است. برای این منظور 143 شرکت پذیرفته شده در بورس اوراق بهادار تهران طی دوره زمانی 1388 تا 1392 مورد مطالعه قرار گرفتند. در این تحقیق با استفاده از الگوریتم حرکا...

full text

پیش بینی سود هر سهم: ترکیب شبکه های عصبی مصنوعی و الگوریتم بهینه سازی حرکت تجمعی ذرات

انتظارات مربوط به سود اثرات قابل ملاحظه ای بر تصمیمات مدیران و سرمایه­گذاران دارد. یکی از معیار هایی که امروزه به عنوانشاخص سود آوری شرکت­ها مورد توجه قرار می گیرد، مفهوم سود هر سهم است.­سود هر سهم آثار عمده ای بر قیمت سهام شرکت­ ها نیز دارد. از اینرو پیش بینی سود هر سهمهم برای سرمایه گذاران و هم برای مدیران از اهمیت بسزایی برخوردار است. هدف از انجام این پژوهش، مدل­بندی پیش­بینی سود هر سهم شرکت...

full text

مقایسه دقت پیش بینی مدیریت سود با استفاده از الگوریتم‌های مورچگان و غذایابی باکتری

هدف این تحقیق بررسی این موضوع است که آیا می‌توان مدیریت سود را براساس مدل‌های مبتنی بر یادگیری ماشین کشف کرد. در این تحقیق برای پیش‌بینی مدیریت سود از مدل‌های مبتنی بر یادگیری ماشین (الگوریتم کلونی مورچه‌ها و غذایابی باکتری) استفاده شده است. برای این منظور 143 شرکت پذیرفته شده در بورس اوراق بهادار تهران طی دوره زمانی 1388 تا 1392 مورد مطالعه قرار گرفتند. در این تحقیق با استفاده از الگوریتم حرکا...

full text

My Resources

Save resource for easier access later

Save to my library Already added to my library

{@ msg_add @}


Journal title

volume 10  issue 39

pages  82- 110

publication date 2019-01

By following a journal you will be notified via email when a new issue of this journal is published.

Keywords

No Keywords

Hosted on Doprax cloud platform doprax.com

copyright © 2015-2023