تبیین الگوی اندازه گیری مدیریت سود با استفاده از روش ترکیبی هوشمند شبکه های عصبی و الگوریتم های فراابتکاری(ژنتیک و ازدحام ذرات)

مهندسی مالی و مدیریت اوراق بهادار

مقاله 6، دوره 9، شماره 36، مهر 1397، صفحه 99-127   

نوع مقاله: مقاله پژوهشی

نویسندگان

اقبال قادری¹؛ پیمان امینی^{* 2}؛ ایرج نوروش³؛ عطا محمدی⁴

¹گروه حسابداری ، دانشکده علوم انسانی ،دانشگاه آزاد اسلامی سنندج، ایران

²گروه حسابداری ، دانشگاه کردستان ، سنندج، ایران

³استاد حسابداری ، گروه حسابداری ، واحد سنندج ، دانشگاه آزاد اسلامی ، سنندج ، ایران.

⁴استادیار حسابداری ، گروه حسابداری ، واحد سنندج ، دانشگاه آزاد اسلامی ، سنندج، ایران.

چکیده

شناخت مدیریت سود برای استفاده کنندگان از اطلاعات حسابداری به دلیل ارزیابی عملکرد، پیش­بینی سودآوری و تعیین ارزش واقعی شرکت بسیار حائز اهمیت است. هدف از این تحقیق برآورد الگوی برای پیش­بینی مدیریت سود با استفاده الگوی شبکه­های عصبی و سپس استفاده از الگوریتم­های فراابتکاری ژنتیک و ازدحام ذرات برای یافتن ترکیبی بهتر از داده­های ورودی است به گونه­ای که بتواند الگو اولیه را بهینه نماید. برای این منظور از 28 متغیر تاثیر گذار در قالب چهار گروه (مالی، مدیریتی، شرکتی و حسابرسی) در طی سال­های 1390 الی 1395 در شرکت­های پذیرفته شده در بورس اوراق بهادار تهران استفاده گردید. نتایج حاصل نشان می­دهد که کاربرد این دو الگوریتم قدرت تبیین الگوهای اولیه را افزایش داده است. همچنین ارزیابی عملکرد الگو­های شبکه عصبی حاکی از برتری این الگو­ها در قیاس با الگوی رگرسیون خطیLR) ( است. روش ترکیبی شبکه­های عصبی الگوریتم­های ازدحام ذرات (A-PSO) و ژنتیک(A-GA)  با شناسایی چهار متغیر بهینه به ترتیب شامل دقت پیش­بینی، سهم مالکیت سهامداران عمده، اندازه شرکت و نسبت کیفیت، مدیریت سود را با دقت به ترتیب (59/95%)­و (75/94%) پیش­بینی کردند. بعلاوه روش­های ترکیبی هوشمند فوق با بهبود ضریب همبستگی و معیار متوسط مربعات خطا نسبت به روش­های رگرسیون خطی (LR) و روش شبکه­های عصبی (ANN) در پیش­بینی نتایج گروه ویژگی­های مدیریتی و شرکتی کارآمدتر است.

کلیدواژه‌ها

مدیریت سود؛ شبکه های عصبی؛ الگوریتم ژنتیک؛ الگوریتم ازدحام ذرات

مراجع