توانایی الگوریتم‌های یادگیری ماشین و شبکه‌های عصبی مصنوعی در پیش‌بینی محتوای اطلاعاتی سود حسابداری قبل از اعلان آن

هدف: هدف از پژوهش حاضر بررسی توانایی شبکه‌های عصبی مصنوعی و الگوریتم‌های یادگیری ماشین شامل ماشین بردار پشتیبان و جنگل تصادفی در پیش‌بینی محتوای اطلاعاتی سود حسابداری قبل از اعلان آن در شرکت‌های پذیرفته شده در بورس اوراق بهادار تهران در بازه زمانی سال‌های 1394الی 1399می‌باشد.روش‌شناسی پژوهش: برای جمع‌آوری داده‌های روزانه موردنیاز پژوهش از نرم‌افزار ره‌آورد نوین استفاده شده است و با استفاده از روش نمونه‌گیری حذفی سیستماتیک 88 شرکت انتخاب شدند. از نرم‌افزار متلب به‌منظور مدل‌سازی شبکه‌های عصبی و الگوریتم‌های یادگیری ماشین استفاده شده است و به‌منظور محاسبه بازده غیرعادی در شبکه‌های عصبی و الگوریتم‌های یادگیری ماشین از کد نوشته شده در نرم‌افزار پایتون استفاده شده است. محتوای اطلاعاتی سود از طریق آزمون ارتباط بین سود و بازده غیرعادی و بر اساس مدل پورتی و همکاران (poretti et al.، 2018) سنجیده شده است. متغیرهای ورودی شبکه‌های عصبی و الگوریتم‌های یادگیری ماشین اندیکاتورها تحلیل تکنیکال می‌باشند. به‌منظور ارزیابی عملکرد طبقه‌بندی، از معیارهای صحت، دقت، فراخوانی و اندازه f استفاده شده است.یافته‌ها: نتایج حاصل از پیش‌بینی سه مدل شبکه‌های عصبی مصنوعی، ماشین بردار پشتیبان و جنگل تصادفی نشان داد که ماشین بردار پشتیبان و جنگل تصادفی از دقت بالاتری نسبت به شبکه‌های عصبی مصنوعی، در پیش‌بینی استراتژی خرید، فروش و نگهداری برخوردار بوده‌اند و تنها ماشین بردار پشتیبان از سه مدل مذکور توان پیش‌بینی محتوای اطلاعاتی سود را داشته است.اصالت / ارزش‌افزوده علمی: طراحی مدل پیش‌بینی جهت حرکت قیمت سهام در روز آتی معاملاتی، با سه روش شبکه‌های عصبی مصنوعی، ماشین بردار پشتیبان و جنگل تصادفی به‌عنوان اصلی‌ترین نوآوری پژوهش می‌باشد و همچنین یافته‌های پژوهش می‌تواند سرعت انتقال اطلاعات به بازار و جذب آن را افزایش دهد که این عامل منجر به کاهش اثر عدم تقارن اطلاعاتی و معاملات مبتنی بر اطلاعات نهانی و در نهایت افزایش کارایی بازار خواهد شد.

ability of machine learning algorithms and artificial neural networks in predicting accounting profit information content before announcing it

introductionresearch in recent years shows that investors' response to quarterly profit announcements of companies has increased significantly. of course، most price changes happen before the official announcement of profits، which is caused by the transactions of the holders of confidential information. beaver et al. (2020) approaches and theories about the commerce of the holders of confidential information are directed to two opposing views، and the main issue is the lack of understanding among researchers، the prohibition of the transactions of the holders of confidential information، or the lack of monitoring. the first point of view considers transactions based on confidential information to increase market efficiency، and the second is to decrease market efficiency. the current research is based on experts' opinions that trading based on secret information does not increase market efficiency. machine learning and artificial intelligence for stock market forecasting have significantly been developed in recent years، and while the price behavior in the stock market seems chaotic، the use of artificial intelligence to make calculated predictions before investing is highly recommended. chaajer et al. (2021)، and therefore، in this research، considering the mentioned contradictions، artificial neural networks and machine learning algorithms have been used to predict the information content of profit before its announcement. literature reviewcompany controllers and informed investors benefit from confidential information before the company's profits are announced، and information may be published in a biased manner by the company's controllers. therefore external investors are looking for alternative ways to detect the behavior of informed investors and holders of confidential information. check before earnings announcements; from 2001 to 2016، there has been a significant increase in the market reaction to quarterly earnings announcements. management guidance، analyst forecasts، and financial statement items are each increasingly disclosed with earnings announcements during this period. these simultaneous information items have significant explanatory power to increase the market response (beaver et al.، 2020).chaajer et al. (2021)، in a study titled applications of artificial neural networks، support vector machines and long-short-term memory (lstm) for stock market forecasting، stated that the stock market is chaotic، but using artificial intelligence to make predictions، it is possible and recommended before investing. this study provides an overview of artificial intelligence and machine learning as predictive analysis tools in the stock market. they studied the applications of three machine learning technologies in stock market forecasting، including artificial neural networks، support vector machines، and long-short-term memory. yin et al. (2023)، in research titled stock trend prediction based on optimal random forest، showed that the average accuracy of the random forest after optimizing the above process increases by 17%، which is 18% more than the average accuracy of the light gradient amplification device model. the combination of roc curve performance and the recision-recall curve also guarantees the stability of the model، which shows the advantages of random forest in predicting the medium and long-term trends of the stock market. madeeh and abdullah (2021)، in research as an efficient forecasting model based on machine learning techniques for stock market forecasting، expressed the use of effective machine learning techniques to build a robust model for stock market forecasting.