اخبار و اعلانات
آمار
| تعداد نشریات | 25 |
| تعداد شماره‌ها | 604 |
| تعداد مقالات | 4,975 |
| تعداد مشاهده مقاله | 6,920,439 |
| تعداد دریافت فایل اصل مقاله | 5,912,289 |
بکارگیری الگو ترکیبی شبکه های عصبی مصنوعی با الگوریتم های فراکاوشی (ICA,PSO) در پیش بینی مدیریت سود | ||
| پژوهش های تجربی حسابداری | ||
| مقاله 9، دوره 10، شماره 2 - شماره پیاپی 36، تابستان 1399، صفحه 213-248 اصل مقاله (4.56 MB) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22051/jera.2018.19246.1952 | ||
| نویسندگان | ||
اقبال قادری1؛ پیمان امینی  2؛ عطاءالله محمدی ملقرنی3
| ||
| 1دانشجوی دکتری حسابداری، گروه حسابداری، دانشگاه آزاد اسلامی واحد سنندج ، ایران | ||
| 2استادیار حسابداری، گروه حسابداری، دانشگاه کردستان،سنندج،ایران | ||
| 3استادیار 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 | ||
| الگوریتم ازدحام ذرات؛ الگوریتم رقابت استعماری؛ شبکه‌های عصبی؛ مدیریت سود | ||
| عنوان مقاله [English] | ||
| Application of Artificial Neural Network Hybrid Models with Metaheuristic Algorithms (PSO, ICA) in Earnings Management Predicting | ||
| نویسندگان [English] | ||
| Eghbal Ghaderi1؛ peyman amini2؛ Ataullah Mohammadi Mlqrny3 | ||
| 1Ph.D. Student of Accounting, Azad University of Sanandaj, Sanandaj,Iran | ||
| 2Assistant Prof. , Department of Accounting, University of Kurdistan, Sanandaj, Iran | ||
| 3Assistant Prof. , Department of Accounting, Sanandaj Branch, Islamic Azad University, Sanandaj, Iran | ||
| چکیده [English] | ||
| Metaheuristic approaches are inspired mainly by 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 in earnings management predicting can provide useful information for the beneficiaries. The variety of obtained factors due to the results of linear patterns for measuring earnings management has caused investors to hesitate the reported earnings quality. Therefore, the porpose of this research is to provide a better templet for earnings management predicting. In the first step, using the pattern of neural networks, the linear model was optimized, then Particle Swarm Optimization and Imperialist Competitive Algorithm were used to optimize the pattern. The empirical overviews of 620 observations (year-company) accepted in the Tehran Stock Exchange during the years 2010 to 2015 indicate usefulaness and positive impact of combined methods on the performance of earnings management prediction, there is also a difference in meaning between the usefulness of linear and nonlinear methods. In other words, using predictive algorithms in predicting earnings management, the prediction accuracy increases with the elimination of inefficient variables. In addition, the findings of the research indicate a better and suitable performance of Imperialist Competitive Algorithm than other patterns in the efficiency of the management variables with accuracy (95/8%). | ||
| کلیدواژه‌ها [English] | ||
| Artificial neural network, Earnings Management, Imperialist Competitive Algorithm, Particle Swarm Optimization | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 122 تعداد دریافت فایل اصل مقاله: 39 |
||
