شبیه‌سازی زنجیره مارکوف مونت کارلو تحت استنباط بیزین جهت شناسایی پارامترهای موثر بر اندازه‌گیری کیفیت سود

الموضوعات : 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

تاريخ الإرسال : 18 الأربعاء , ذو القعدة, 1444 تاريخ التأكيد : 28 الأحد , ذو الحجة, 1444 تاريخ الإصدار : 20 السبت , جمادى الثانية, 1446

الکلمات المفتاحية: توزیع پسین, زنجیره مارکوف مونت کارلو, کمی‌سازی عدم قطعیت, استنباط بیزین, کیفیت سود,

ملخص المقالة :

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.

المصادر:

• اعتمادی، حسین، مومنی، منصور و فرج زاده دهکردی، حسن (1391)، مدیریت سود چگونه کیفیت سود شرکت ها را تحت تاثیر قرار می دهد، مجله پژوهش های حسابداری مالی، 4(2)، 101-122.


• انصاری نسب مسلم، محمدی، زهرا (1398)، بررسی رفتار غیر خطی نرخ ارز در ایران: شواهدی از الگوی مارکوف سوییچینگ، بررسی مسائل اقتصاد ایران (اقتصاد تطبیقی سابق)، سال ششم، شماره 1 (پیاپی 11)


• حاجی ها، زهره، قصاب ماهر، لیلا (1390)، ارزش نامشهود ایجاد شده توسط واحد تجاری در شرکت های هموارساز و غیرهموارساز سود، پژوهشنامه حسابداری مالی و حسابرسی، 3 (12)، 136-113.


• حسینی، سید رسول، حاجیان نژاد، امین (1400)، الگوسازی پایداری و برگشت پذیری سود حسابداری با استفاده از زنجیره های مارکوف، مجله دانش حسابداری، دانشگاه شهید باهنر کرمان، دوره 12، شماره 2.


• رسولخانی، باقر، بزرگ اصل، موسی (1398)، تاثیر کیفیت سود شرکت های مرتبط اقتصادی بر ریسک بازار، پژوهش های کاربردی در گزارشگری مالی، دوره هشتم، شماره 15


• رفاعی، رامیار، سامتی، مرتضی، قبادی، سارا (1398)، شبیه سازی تاثیر عوامل موثر بر رکود اقتصادی در ایران: مقایسه دو رهیافت زنجیره مارکوف مونت کارلو و بیزین، پژوهش های رشد و توسعه اقتصادی، شماره 36


• رفاعی، رامیار، سامتی، مرتضی، قبادی، سارا (1398)، شناسایی عوامل موثر بر رکورد اقتصادی در ایران: شبیه سازی مونت کارلو و الگوریتم متروپلیس هاستینگس، نظریه های کاربردی اقتصاد، سال ششم، شماره 3


• شهریاری، سعید، ایمان زاده، پیمان و خوشنود، مهدی. (1401). مدلسازی نوسانات نهفته شاخص بورس اوراق بهادار با استفاده از الگوی کاپولا-نوسان تصادفی. مهندسی مالی و مدیریت اوراق بهادار، انتشار آنلاین


• Ball, R., & Shivakumar, L. (2005). Earnings quality in UK private firms: comparative loss recognition timeliness. Journal of Accounting and Economics, 39, 83-128.


• Chen and J.J. Gong (2019), Accounting comparability, financial reporting quality, and the pricing of accruals, Advances in Accounting,https://doi.org/10.1016/j.adiac.2019.03.003


• De Franco, G., Kothari, S.P. & Verdi, R.S. (2011). The Benefits of Financial Statement Comparability. Journal of Accounting Research, 49 (4): 895-931.


• Dichow, P., & Dichev, I. (2002). The quality of accruals and earnings: the role of accrual estimation errors. The Accounting Review, 77.


• Du, K., Huddart, S., Xue, L., & Zhang, Y. (2020). Using a hidden Markov model to measure earnings quality. In Journal of Accounting and Economics (Vol. 69, Issues 2–3, p. 101281). Elsevier BV. https://doi.org/10.1016/j.jacceco.2019.101281


• Du, K., Huddart, S., Xue, L., Zhang, Y. (2020). Using a hidden Markov model to measure earnings quality. Journal of Accounting and Economics, 69(2-3), 1-55.


• Fonou-Dombeu, N. C., Mbonigaba, J., Olarewaju, O. M., & Nomlala, B. C. (2022). Earnings quality measures and stock return volatility in South Africa. In Future Business Journal (Vol. 8, Issue 1). Springer Science and Business Media LLC. https://doi.org/10.1186/s43093-022-00115-x


• Francis, J., Lafond, R., Olsson, P., & Schipper, K. (2004). Costs of equity and earnings attributes. The Accounting Review, 79(4), 967-1010.


• Hribar, P., Kravet, T., Wilson, R., 2014. A new measure of accounting quality. Review of Accounting Studies 19, 506–538.


• Leuz, C., Nanda, D., & Wysocki, P. (2003). Earnings management and investor protection: An international comparison. Journal of financial Economics, 69, 505-527.


• Lipe, R. (1990). The relation between stock returns and accounting earnings given alternative information. The accounting review, 49-71.


• McNichols, M. (2002). Discussion of the quality of accruals and earnings: The role of accrual estimation errors. The Accounting Review, 77, 61-69.


• Menicucci, Elisa (2020), Earnings Quality, Palgrave Pivot- Cham publisher, https://doi.org/10.1007/978-3-030-36798-5


• Nikolaev, V., 2017. Identifying accounting quality. Working Paper, University of Chicago.


• Persakis, A., Iatridis, G.E. (2015). Earnings quality under financial crisis: A global empirical investigation. Journal of Multinational Financial Management, 30, 1–35.


• Schipper, K., & Vincent, L. (2003). Earnings quality, Accounting Horizons. 17 (supplement), 97-110.


• Scott, S. (2002). Bayesian methods for hidden Markov models: Recursive computing in the 21st century. Journal of the American Statistical Association, 97, 337-351.


• Takaishi T. (2009) An Adaptive Markov Chain Monte Carlo Method for GARCH Model. In: Zhou J. (eds) Complex Sciences. Complex 2009. Lecture Notes of the Institute for Computer Sciences, Social Informatics and Telecommunications Engineering, vol 5. Springer, Berlin, Heidelberg. https://doi.org/10.1007/978-3-642-02469-6_22.


• Tham, A. W., Kakamu, K., & Liu, S. (2023). Bayesian Statistics for Loan Default. In Journal of Risk and Financial Management (Vol. 16, Issue 3, p. 203). MDPI AG. https://doi.org/10.3390/jrfm16030203


• Zakaria, F., & Benbachir, A. (2022). Modeling the stochastic volatility of MAD/EURO and MAD/USD the exchange rates by the Bayesian approach and the MCMC (Monte Carlo Markov Chain) algorithm. In Journal of Modelling in Management. Emerald. https://doi.org/10.1108/jm2-04-2021-0099