تبیین الگوی پیش‌بینی مدیریت سود با استفاده از ترکیب روش‌های یادگیری ماشین

شناخت مدیریت سود برای استفاده‌کنندگان از اطلاعات حسابداری به دلیل ارزیابی عملکرد، پیش‌بینی سودآوری و تعیین ارزش واقعی شرکت بسیار حائز اهمیت است. هدف از این پژوهش ارائه مدلی جهت تشخیص مدیریت سود اقلام تعهدی و مدیریت سود واقعی از طریق ارزیابی عملکرد با استفاده از روش‌های یادگیری ماشین از جمله درخت تصمیم، ماشین بردار پشتیبان، k- نزدیک‌ترین همسایه، یادگیری عمیق و ترکیب آنها با روش انتخاب ویژگی ریلیف و تحلیل مولفه‌های اصلی است. برای دستیابی به این هدف، تعداد 180 شرکت پذیرفته‌شده در بورس تهران به‌عنوان نمونه آماری برای سال‎های 1389 تا 1400 انتخاب گردید. همچنین برای آزمون فرضیه‌ها از معیارهای میانگین صحت پیش‌بینی، خطاهای نوع اول و دوم استفاده گردید یافته‌های پژوهش بیانگر آن است عملکرد روش‌های پیش‌بینی مدیریت سود اقلام تعهدی بر اساس الگوی انتخاب ویژگی مبتنی بر ریلیف نسبت به الگوی‌ انتخاب ویژگی مبتنی بر تحلیل مولفه‌های اصلی از توانای بهتری برخوردار است. این نتیجه در کلیه روش‌های‌ پیش‌بینی مورد تایید قرار گرفت. اما نتایج برتری الگوی انتخاب ویژگی مبتنی بر ریلیف نسبت به الگوی‌ انتخاب ویژگی مبتنی بر تحلیل مولفه‌های اصلی را در پیش‌بینی مدیریت سود واقعی نشان نداد. همچنین، یافته‌ها نشان دادند مدیریت سود اقلام تعهدی را می‌توان بادقت بالاتری نسبت به مدیریت سود واقعی پیش‌بینی کرد. نتایج پژوهش می‌تواند موردتوجه سرمایه‌گذاران، اعتباردهندگان، تحلیلگران مالی و حسابرسان قرار گیرد. استفاده از ترکیب روش‌های یادگیری ماشین، می‌تواند به شناسایی فعالیت‌های بالقوه مدیریت سود کمک کند.

explaining the earnings management prediction model using the hybrid of machine learning methods

knowledge of earnings management is essential for users of accounting information due to performance evaluation, profitability forecasting, and determining the true value of the company. the purpose of this research is to provide a model to diagnose accrual-based earnings management and real earnings management through performance evaluation of machine learning methods including decision tree, support vector machine, k-nearest neighbor, deep learning, and combining them with feature selection methods based on relief and principal component analysis. to achieve this goal, 180 companies admitted to the tehran stock exchange were selected as a statistical sample from 2010 to 2021. also, to test the hypotheses, the criteria of average accuracy and type i and type ιι errors were used. the results show that the performance of accrual-based earnings management forecasting methods based on the relief-based feature selection model is better than the feature selection model based on principal component analysis. this result was confirmed in all prediction methods. however, the results did not show the superiority of the relief-based feature selection model over the principal component analysis-based feature selection model in predicting real earnings management. also, the findings showed that accrual earnings management can be more accurately predicted than real earnings management. the research results can be of interest to investors, creditors, financial analysts, and auditors. incorporating machine learning methods can help identify potential earnings management activities.