بکارگیری الگو ترکیبی شبکه های عصبی مصنوعی با الگوریتم های فراکاوشی (ICA,PSO) در پیش بینی مدیریت سود

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشجوی دکتری حسابداری، گروه حسابداری، دانشگاه آزاد اسلامی واحد سنندج ، ایران

2 استادیار حسابداری، گروه حسابداری، دانشگاه کردستان،سنندج،ایران

3 استادیار حسابداری، گروه حسابداری، دانشگاه آزاد اسلامی واحد سنندج، ایران

چکیده

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 (8/95%) است.

کلیدواژه‌ها


عنوان مقاله [English]

Application of Artificial Neural Network Hybrid Models with Metaheuristic Algorithms (PSO, ICA) in Earnings Management Forecast

نویسندگان [English]

  • Eghbal Ghaderi 1
  • peyman amini 2
  • Ataullah Mohammadi Molqarny 3
1 Ph.D. Student of Accounting, Azad University of Sanandaj, Sanandaj,Iran
2 Assistant Prof. , Department of Accounting, University of Kurdistan, Sanandaj, Iran
3 Assistant Prof. , Department of Accounting, Sanandaj Branch, Islamic Azad University, Sanandaj, Iran
چکیده [English]

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%). 

کلیدواژه‌ها [English]

  • Particle Swarm Optimization
  • Imperialist Competitive Algorithm
  • Artificial neural network
  • Earnings Management
پورولی علیار، صیاد؛ جبار زاده کنگر لویی، سعید؛ ظاهر، صادق. (1395). بررسی ارتباط بین محافظه کاری حسابداری و کیفیت سود شرکت‌های پذیرفته شده در بورس اوراق بهادار تهران. فصل نامه اقتصاد و مالیات:2 (1)،97-84.
حجازی، رضوان؛ آدم پیرا، سمیرا؛ بهرامی زیارتی، مصطفی. (1395). تشخیص مدیریت سود با استفاده تغییرات در گردش دارایی و حاشیه سود. پژوهش‌های حسابداری مالی و حسابرسی: 8(29)،95-73
حجازی، رضوان ؛محمدی، شاپور؛ اصلانی، زهرا؛آقا جانی، مجید. (1391). پیش‎بینی مدیریت سود با استفاده از شبکه عصبی و درخت تصمیم در شرکت‎های پذیرفته شده در بورس اوراق بهادار تهران. بررسی‌های حسابداری و حسابرسی:19(68)، 46-31.
حمیدیان، محسن؛ حبیب زاده بایگی، سید جواد؛ سلمانیان، مریم؛ وقفی، سید حسام. (1395). پیش‌بینی ریسک سیستماتیک شرکت‌های پذیرفته شده در بورس اوراق بهادار تهران با استفاده از الگوریتم‌های کلونی مورچه‌ها و لارس. بررسی های حسابداری:3(10)، 40-19.
 ستایش، محمد حسین؛ کاظم نژاد ،مصطفی. (1394). بررسی سودمندی زوش‌های غیر خطی      رگرسیون بردارهای پشتیبان و روش‌های کاهش متغیرهای پیش‌بین در پیش‌بینی بازده سهام. فصلنامه علمی پژوهشی حسابداری مالی:7(28)، 31-.1
سرلک،نرگس؛ محمدی، آمنه. (1394). بررسی رابطه بین ویژگی‌های مالی و غیر‌مالی شرکت با کیفیت افشای اجباری و اختیاری شرکت‌های پذیرفته شده در بورس اوراق بهادر تهران.  تحقیقات حسابداری و حسابرسی:7(28)، 35-18.
فغانی ماکرونی، خسرو ؛ صالح نژاد، سید حسن؛ امین، وحید. (1395). پیش‌بینی مدیریت سود مبتنی بر مدل جونز تعدیل شده با استفاده از مدل شیکه عصبی مصنوعی و الگوریتم ژنتیک. مهندسی مالی و مدیریت اوراق بهادار : (28)،117-136.
کاردان، بیتا؛ قره‌خانی، بیتا؛ صالحی، مهدی؛ منصوری، مرتضی. (1396). بررسی دقت الگوریتم‌های   خطی – تکاملی BBO وicde و الگوریتم‌های غیر‌خطی CVR و CART در پیش‌بینی سود.      پژوهش‌های حسابداری مالی:9 (31)، 95-77
کردستانی، غلامرضا؛ تاتلی، رشید. (1393). بررسی ویژگی‌های کیفی سود و نوع مدیریت سود در شرکت‌های درمانده مالی و ورشکسته. پژوهش حسابداری : (12)،104-79
گرد،عزیز؛ وقفی، سید حسام ؛حبیب‌زاده بایگی، سید جواد؛ خواجه‌زاده، سارا. (1394). مقایسه دقت پیش‌بینی مدیریت سود با استفاده از الگوریتم‌های مورچگان و غذایابی باکتری. پژوهش‌های تجربی4 (15);203-181.
مرادی، مهدی؛ سلیمانی مارشک، مجتبی؛ باقری، مصطفی. (1394). بررسی عوامل موثر بر به هنگامی گزارشگری مالی با استفاده از تکنیک‌های شبکه عصبی مصنوعی و درخت تصمیم. پژوهش‌های تجربی حسابداری، سال (5)،شماره (17)، 119-137.
نقدی، سجاد؛ عرب مازیار یزدی، محمد. (1396).ترکیب شبکه عصبی، الگوریتم‌های ژنتیک و   الگوریتم‌های تجمع ذرات در پیش بینی سود هر سهم. دانش حسابداری . دوره هشتم ، شماره (3)، 7-34.
نیکو مرام، هاشم؛ بادآور نهندی، یونس. (1388). تبیین و ارائه الگویی برای تعیین و ارزیابی عوامل موثر بر انتخاب کیفیت گزارشگری مالی در ایران. فراسوی مدیریت: 2 (8)، 187-141.
Atashpaz-Gagari, E., Lucas, C. (2007). Imperialist copetitve agoritm:an algorithm for optimization inspired by imperialistic competition. IEEE C ongress on Evolutionary Computatin: 4661-4667.
Assawer, E. Anis J. (2017).Auditor specialization, accounting information quality and investment efficiency.Resesrch in International Business and Finance :42; 616-629.
Chen, W.P, Chung, H, Lee, C ,and Liao, W-L. (2007). Corporate Governance and Equity Liquidity: analysis of S&P Transparency and Disclosure ranking. Corporate Governance: An International Review:15. (4); 644-660.
Cohen, A. D. (2004). Financial Reporting Quality Choice:Determinants and Consequences, A Dissertation , Northwestern University.
Chung, R. ,firt, M. and Kim, J. B. (2005). Ernings Management Surplus Free Chesh Flow. And External Monitoring,Jornal of Business Research ;58;766-776.
DeFond, M., and J. Zhang. (2014). A review of archivalauditing research. Journal of Accounting and Economics 58 (2): 275–326
Faghani MakraniK؛ Salehnezhad, S H؛ Amin, V. (2017). Forecast earnings management based on adjusted Jones model using Artificial Neural Networks and Genetic Algorithms. Journal Management System: 28;117-136. (in Persian)
Francis, J., Nanda, D.J. & Olsson, P. (2008). Voluntary disclosure, earnings quality and cost of capital. Journal of Accounting Research, 46(1), 53-99.
Fu-Hsiang Chen, Der-Jang Chi, Yi-Cheng Wang. (2015). Detecting biotechnology industrys earnings management using Bayesian network, principal component analysis, back propagation neural network, and decision tree. Economic Modelling: 46,1-10
Gaynor, L.Kelton, A.Mercer, M and Yohn, T. (2016). Understanding the Releation Between Financial Reporting Quality and Audit Quality. Journal of Practice & Theory:35(4); 1-22.
Gord,A. Vaghf, H. Javad, H. Khajehzadeh, S. (2014). Comparing the Accuracy of Earnings Management Forecast Using Ant Colony Optimization Algorithm and Bacteria Foraging Algorithm. The Journal of Empirical Researches in Accounting: 4(3);181-203. (in Persian)
Guzelbey, I.H., Cevik, A., Erklig, A. (2006). Prediction of web crippling strength of cold-formed steel sheetings using neural Networks, Journal of Constructional Steel Research (Elsevier):62; 962-973
Hamidian, M.. Habibzadeh Bayg, S. Salmanian, M. Vaghfi, S. (2015). The Systematic Risk Prediction of Listed Companies in Tehran Stock Exchange Using Ant Colony and LARS Algorithm. Accounting Review: 3(10);19-40
Hejazi, R .Adm pira,s and Bahrami, M. (2015). Detect profit management using changes in asset turnover and margin squeeze. The Financial Accounting and Audit Research: 8(29) 73-95 .(in Persian)
Hejazi, R.Mohamadi, SH.Aslani, Z.A, Majid. (2012). Ernings Management Prediction Using Neural Networks and Decision Three in TSE.The Iranian Accounting and Auditing Review:19(68);31-46. (in Persian)
Hoglund, H. (2012). Detecting earnings management with neural networks. Export Systems With Applications. 39; 9564-9570.
Holland, J. H. (1975). Adaptation in natural and artificial systems, University of Michigan press. Ann Arbor, MI, 1(97), 5.
Kardan, B. ,Gharekhani, B. , salehi, M and  Mansouri, M. (2017). The evaluation accuracy of BBO and ICDE as Linear- evolutionary Algorithms and SVR and CART as Non-linear Algorithms to earnings management prediction. Journal of Financial Acconting Research:9(1), Ser No. (31). (in Persian)
Kennedy, J, & Eberhart, R. (1995). Particle swarm optimization. IEEE International Conference on Neural Networks, 1995. Proceedings:4;1942-1948.
Kordestani, G. tatli, R. (2013). Earnings Attributes and Type of Earnings Management in the distressed and bankrupt firms. Journal Accounting Review: 3(4); 79-104. (in Persian)
Kun-chih, C. Qiang, C. Ying, C. Yu-Chen, L and Xing, X. (2016) . Financial Reporting Quality of Chinese Reverse Merger Firms: The Reverse Merger or the Weak Country Effect?.The Accounting Review: 91(5);2363-1390
McCulloch W.S, Pitts W. (1943). A logical calculus of the ideas immanent in nervous activity. Bulletin Math. Biophys.5, 115-133.
Moradi,M. soleymani mareshk,M.Bagheri,M. (2014). Factors Effective on Timeliness of Financial Reporting: Using Synthetic Neural Networks and Decision Trees Techniques. The Journal of Empirical Researches in Accounting: 5(17);119-137.(in Persian)
Naghdi, Sajad. Arab ,Mziar Yazdi. (2017). Forecasting EPS o with Hybrid Genetic algorithm, particle swarm optimization and Neural networks. The Journal Accounting Knowledeg:8(30); 7-34. (in Persian)
Najari, M. ,Hazarati, A, Rezaie, P. ,Habibzadeh Baygi, J. (2014). Forecasting of Erning Management by Support Vector Machine:Case Study in Tehran Exchange Stock.Middle-East. Journal of Scientific Research. 19(7):1007-1017.
Nikomaram, H.Badavar Nahandi, Y. (2011). Explaining and presenting a model for determining and evaluating factors affecting the selection of financial reporting quality in Iran. Productivity management: 8; 141-187. (in Persian)
Poorvali, S.Jabarzadeh, S. Zaher, S. (2015).  Investigating the relationship between accounting conservatism and earnings quality of accepted companies in Tehran Securities Exchange. Jounal of Economics and Tex :2(1).84-97(in Persian)
Poulton M.M. (2002). Neural networks as an intelligence amplification tool. a review of applications. J Geophys, 67(3), 979–93
Qingling,T.Huifa,C. Zhijun ,L. (2016). How to measure country-level financial reporting quality? Journal Financial Reportting and Accounting:14(2).230-265
Salau, A and CheAhmad, A. (2016). Audit Fees, Corporate Governance Mechanisms,and Financial Reporting Quality in Nigeria. Business & Economics Review:26(2);122-135.
Sarlak, N.Mohammadi, A. (2014). The relationship between quality of aggregate disclosure (mandatory and voluntary) and financial and nonfinancial characteristics of companies listed in Tehran Stock Exchange. Accounting and Audit Research:7(28);18-35(in Persian).
Setayesh M, kazemnezhad M. (2016). The Usefulness of Support Vector Regression and Variables Reduction Methods in Stock Return Prediction. quarterly financial accounting journal.; 7 (28) :1-33(in Persian).
Tsai, C. Chiou F. (2009). Earnings Management Prediction: A Pilot Study of Combining Neural Networks and Decision Trees. Expert Systems with Applications, 36: 7183-7191.