شبیهسازی زنجیره مارکوف مونت کارلو تحت استنباط بیزین جهت شناسایی پارامترهای موثر بر اندازهگیری کیفیت سود
محورهای موضوعی : دانش سرمایهگذاری
حمید فرهادی
1
,
فاضل محمدی نوده
2
*
,
سید رضا سید نژاد فهیم
3
1 - گروه حسابداری، واحد قزوین، دانشگاه آزاد اسلامی، قزوین، ایران
2 - استادیار، گروه مدیریت، واحد لاهیجان، دانشگاه آزاد اسلامی، لاهیجان، ایران
3 - گروه حسابداری، واحد لاهیجان، دانشگاه آزاد اسلامی، لاهیجان، ایران
کلید واژه: توزیع پسین, زنجیره مارکوف مونت کارلو, کمیسازی عدم قطعیت, استنباط بیزین, کیفیت سود,
چکیده مقاله :
هدف پژوهش حاضر شبیهسازی زنجیره مارکوف مونت کارلو تحت استنباط بیزین جهت شناسایی پارامترهای موثر بر اندازهگیری کیفیت سود می باشد. در این راستا جهت پیشبینی رفتار سود شرکتها و استنباط دقیق پارامترهای مدل از تکنیک بیزی مارکوف مونت کارلو (MCMC) که ناهمگنی مقطعی را در نظر می گیرد، تحلیلی با کدگذاری به زبان پایتون انجام شد. در این پژوهش سیگنالهای سود استخراج شده از صورتهای مالی به صورت فصلی برای یک دوره 5 ساله (1400-1396)، برای 104 شرکت پذیرفته شده در بورس اوراق بهادار تهران جمع آوری شده و با استفاده از معیار جدید اندازهگیری کیفیت سود مورد بررسی قرار گرفت. از متغیرهای کمکی قابلیت مقایسه حسابداری، اهرم مالی، چرخه عملیاتی و نوسان فروش جهت دستیابی به نتایج دقیقتر استفاده گردید و در ادامه از چندین معیار عملکرد آماری (R2، RMSE و MSE) برای ارزیابی کارایی مدلهای پیشبینی مبتنی بر بیزی استفاده شد. نتایج نشان داد که معیار پیشنهادی پژوهش حاضر مستخرج از مدل بیز برای دادههای آموزش و آزمایش به خوبی قادر به پیشبینی کیفیت سود است. شواهد نشان می دهد که نتایج مدل پیشنهادی نسبت به مدل مرسوم مدیریت سود تعهدی برتری دارد که به ترتیب میزان خطای 0.0188MSE= ، 0.1369RMSE= را پیشنهاد میکند. از نتایج پژوهش حاضر می توان برای تجزیه و تحلیل پرتفوی و پیشبینی کیفیت سود آتی شرکتها با استفاده از دادههای تاریخی استفاده کرد. همچنین میتوان از آن برای مطالعه عوامل موثر بر عملکرد سرمایهگذاری استفاده کرد.
The purpose of this research is Monte Carlo Markov chain simulation under Bayesian inference to identify the parameters affecting earning quality measurement. In this regard, in order to predict the earning behavior of companies and to derive the exact parameters of the model from the Bayesian Markov Monte Carlo (MCMC) technique, which takes cross-sectional heterogeneity into account, an analysis was done by coding in Python. In this research, the earning signals extracted from the financial statements on a quarterly basis for a period of 5 years (2018-2022), for 104 companies admitted to the Tehran Stock Exchange, were collected and analyzed using a new measure of earning quality. Auxiliary variables of accounting comparability, financial leverage, operating cycle, and sales volatility were used to achieve more accurate results, and several statistical performance measures (R2, RMSE, and MSE) were used to evaluate the effectiveness of Bayesian-based forecasting models. The results showed that the proposed criterion of the present study derived from the Bayesian model for training and testing data is well able to predict the quality of earning. The evidence shows that the results of the proposed model are superior to the conventional accrual earning management model, which suggests an error rate of MSE=0.0188 and RMSE=0.1369, respectively. The results of the present research can be used to analyze the portfolio and predict the quality of future earnings of companies using historical data. It can also be used to study factors affecting investment performance.
_||_