کاربرد الگوریتم ژنتیک، ازدحام ذرات و شبکه‌های عصبی مصنوعی در پیش‌بینی دستکاری سود

مدیریت سود یکی از موضوعات بحث انگیز در تحقیقات اخیر بوده است. اکثر تحقیقات انجام شده در زمینه مدیریت سود،به بررسی ارتباط خطی متغیرهای مستقل با مدیریت سود و با روش های آماری پرداخته اند اما از این متغیرها برای پیش بینی مدیریت سود استفاده نکرده اند. امروزه با رشد تکنولوژی اطلاعات و با وارد شدن هوش مصنوعی از جمله شبکه های عصبی مصنوعی به حوزه پژوهش های علمی، امکان بررسی روابط غیرخطی بین متغیرها میسر گردیده است. در این پژوهش تلاش شده تا با استفاده از شبکه‌های عصبی مصنوعی، اقلام تعهدی اختیاری برای پیش‌بینی مدیریت سود تخمین زده شود. همچنین در این پژوهش از مدل بهینه‌ساز الگوریتم ژنتیک و ازدحام ذرات برای بهینه‌سازی وزن‌های مدل شبکه عصبی مصنوعی جهت ارتقای توان پیش‌بینی کنندگی استفاده شده است. در ادامه توانایی پیش‌بینی مدیریت سود با استفاده از مدل آماری جونز تعدیل‌شده، شبکه عصبی مصنوعی و تکنیک ترکیبی الگوریتم ژنتیک، ازدحام ذرات و شبکه عصبی مورد بررسی قرار گرفت. نمونه مورد استفاده در این پژوهش شامل 150 شرکت پذیرفته شده در بورس اوراق بهادار تهران بین سال های 1394 الی 1399 بوده است. یافته‌های پژوهش نشان داد که شبکه عصبی مصنوعی از توانایی بالایی در پیش بینی مدیریت سود، نسبت به مدل خطی جونز تعدیل شده برخوردار است. همچنین یافته‌ها حاکی از آن است که دقت و توانایی مدل ترکیبی الگوریتم ژنتیک، ازدحام ذرات و شبکه عصبی در پیش بینی مدیریت سود از مدل ترکیبی الگوریتم ژنتیک شبکه عصبی مصنوعی بیشتر است.

application of genetic algorithm, particle swarm and artificial neural networks in predicting profit manipulation

profit management has been one of the most controversial topics in recent research. most research on earnings management has examined the linear relationship between independent variables and earnings management using statistical methods but they did not use these variables to predict earnings management. today, with the growth of information technology and the introduction of artificial intelligence, including artificial neural networks into the field of scientific research, it has become possible to study nonlinear relationships between variables. in this study, an attempt was made to estimate optional accruals for predicting earnings management using artificial neural networks. also in this research, the genetic algorithm optimizer model and particle swarm has been used to optimize the weights of the artificial neural network model to enhance the predictive power. then, the ability to predict profit management was evaluated using the modified jones statistical model, artificial neural network and the combined technique of genetic algorithm, particle swarm and neural network. the sample used in this study included 150 companies listed on the tehran stock exchange between 2015 and 2020. findings showed that the artificial neural network has a high ability to predict profit management, compared to the modified jones linear model. the findings also indicate that the accuracy and ability of the combined model of genetic algorithm, particle swarm and neural network in predicting profit management is higher than the combined model of genetic algorithm artificial neural network.