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 تردید نمایند. بنابراین هدف از این پژوهش ارائه الگوی بهینه‌تر برای پیش‌بینی مدیریت سود است. در مرحله نخست با استفاده از الگوی شبکه‌های عصبی الگوی اولیه خطی را بهینه نموده، سپس از الگوریتم‌های ازدحام ذرات و رقابت استعماری برای بهینه‌تر نمودن الگو استفاده گردید. از این رویافته‌های تجربی مربوط به بررسی 620 مشاهده (سال – شرکت) پذیرفته شده در بورس اورق بهادر تهران در بازه زمانی 1390 الی 1395 حاکی از سودمندی و تاثیر مثبت در روش‌های ترکیبی بر عملکرد پیش‌بینی مدیریت سود و همچنین وجود تفاوت معنادر بین میزان سودمندی روش‌های خطی و غیر‌خطی است. به عبارتی در صورت استفاده از الگوریتم‌ها در پیش‌بینی مدیریت سود دقت پیش‌بینی با حذف متغیر‌های ناکارآمد افزایش می‌یابد. افزون بر این یافته های پژوهش حاکی از عملکرد بهتر و مناسب الگوریتم رقابت استعماری نسبت به سایر الگوها در کارآمدی متغیر‌های گروه مدیریتی با دقت (95.8%) است.

application of artificial neural network hybrid models with metaheuristic algorithms (pso, ica) in earnings management forecast

metaheuristic approaches are inspired mainly based on the order and rules of natural organisms. ‌today, these approaches have been widely used in various branches. ‌according to the importance of forecasting, understanding the methods of earnings management forecast can provide useful information for the stakeholders. ‌the variety of factors obtained due to the results of linear patterns used for measuring earnings management has caused investors to hesitate the reported earnings quality. ‌therefore, the purpose of this research is to provide an optimal templete for earnings management forecast. ‌in the first step, the origin linear model is optimized using the pattern of neural networks then particle swarm optimization and imperialist competitive algorithms are used to optimize the pattern more. ‌the sample consists of 620 firms listed in tehran stock exchange during the years 2010 to 2015. ‌the results indicate usefulness and positive impact of panel data methods on the performance of earnings management forecast. ‌the findings also show a significant difference ‌between usefulness of the linear and nonlinear methods. ‌in other words, using algorithms in earnings management forecast, the prediction accuracy increases with the elimination of inefficient variables. ‌in addition, findings indicate a better and more suitable performance of imperialist competitive algorithm than other patterns in the efficiency of the management variables with accuracy (95/8%).