ارائه الگوی پیش بینی مدیریت سود با استفاده از الگوریتم های کلونی مورچگان و پرواز پرندگان

محورهای موضوعی : دانش سرمایه‌گذاری

وحید یوسفی ¹ , حمید رضا کردلوئی ² , فائق احمدی ³ , محمد حامد خان محمدی ⁴ , نادر دشتی ⁵

1 - دانشجوی دکتری، گروه حسابداری، واحد قشم، دانشگاه آزاد اسلامی، قشم، ایران
2 - دانشیار، گروه مدیریت مالی، واحد اسلامشهر، دانشگاه آزاد اسلامی، اسلامشهر، ایران.
3 - استادیار، گروه حسابداری، واحد قشم، دانشگاه آزاد اسلامی، قشم، ایران.
4 - دانشیار، گروه حسابداری، واحد دماوند، دانشگاه آزاد اسلامی، دماوند، ایران.
5 - عضو هیئت علمی گروه اقتصاد و مدیریت، انرژی دانشکده نفت تهران

تاریخ دریافت : 1400/04/09 تاریخ پذیرش : 1400/06/06 تاریخ انتشار : 1403/10/01

کلید واژه: مدیریت سود واقعی, الگوریتم کلونی مورچگان, مدیریت سود تعهدی, الگوریتم پرواز پرندگان,

چکیده مقاله :

این تحقیق برآن است که دو الگوریتم کلونی مورچگان و الگوریتم پرواز پرندگان را جهت پیش بینی مدیریت سود بکار گرفته و مشخص نماید که کدام الگوریتم قدرت تبیین بیشتری دارد. برای دستیابی به هدف پژوهش، تعداد 163 شرکت به روش حذف سیستماتیک در بازه زمانی 1398-1392 انتخاب گردیده اند. داده های ترکیبی بوده و سیزده متغیر جهت بررسی الگوها در نظر گرفته شده که نهایتا هشت متغیر موثر شناخته و با استفاده از نرم افزار پایتون آزمون ها انجام شده است. نتایج نشان می دهد که مدیریت سود با دقت بیش از 97 درصد توسط هر دو الگوریتم قابل پیش بینی بوده اما توان پیش بینی مدل پرواز پرندگان در مدیریت سود تعهدی بیشتر بوده و این در صورتی است که الگوریتم کلونی مورچگان توان بیشتری در پیش بینی مدیریت سود واقعی دارد.

چکیده انگلیسی:

This study aims to use two ant colony algorithm and particle swarm algorithm to predict earning management and determine which algorithm has more explanatory power.To achieve the research goal, 163 companies have been selected by systematic elimination method in the period 2013-2019. The data are panel and thirteen variables have been considered to examine the models. Finally, eight variables have been identified as effective and tests have been performed using Python software. The results show that earnings management can be predicted with more than 97% accuracy by both algorithms, but the ability to predict the particle swarm model in accrual earnings management is higher, however ant colony algorithm has more power in predicting real earnings management.

منابع و مأخذ:

1. بیات, علی؛ اسدی, لیدا. (1396). بهینه سازی پرتفوی سهام: سودمندی الگوریتم پرندگان و مدل مارکویتز. مهندسی مالی و مدیریت اوراق بهادار، دوره 8 شماره 32،  صص 63-85.

2. چالاکی، پری؛ یوسفی، مرتضی. (1391). پیش بینی مدیریت سود با استفاده از درخت تصمیم گیری. مطالعات حسابداری و حسابرسی، سال اول، شماره 1: 110- 123.


3. حبیب زاده، ملیحه؛ ایزدپور، مصطفی.(1399). پیش‌بینی سودآوری با رویکرد شبکه عصبی و مقایسه آن با ماشین بردار پشتیبان (svm) و درخت‌تصمیم C5،دانش مالی تحلیل اواق بهاداردوره 13، شماره 46 ،صص39-56.


4. حمیدیان، محسن؛ حبیب زاده بایگی، سید جواد؛ سلمانیان،مریم؛ وقفی، سید حسام..(۱۳۹۵). پیش بینی ریسک سیستماتیک شرکت های پذیرفته شده در بورس اوراق بهادار تهران با استفاده از الگوریتم های کلونی مورچه ها و لارس. بررسی های حسابداری ،دوره3،شماره10،صص ۴۰-19.


5. ستایش، محمدحسین؛ کاظم نژاد، مصطفی.(۱۳۹۴). بررسی سودمندی روش های غیر خطی رگرسیون بردار پشتیبان و روش های کاهش متغیرهای پیش بین در پیش بینی بازده سهام. فصلنامه حسابداری مالی، دوره7،شماره28، صص1-31.


6. صالحی، مهدی؛ فرخی بیله رود، لاله.(1397). پیش بینی مدیریت سود با استفاده از شبکه عصبی و درخت تصمیم، پژوهش های حسابداری مالی و حسابرسی، دوره10،شماره37،صص 1-24.


7. عسگری آلوچ، حسین؛نیک بختف محمدرضا؛ کرمی، غلامرضا؛ مومنی، منصور.(1398). توسعه مدل بنیش با ترکیب شبکه‌های عصبی مصنوعی و الگوریتم بهینه‌سازی حرکت تجمعی ذرات برای پیش‌بینی دستکاری سود، بررسی های حسابداری و حسابرسی،دوره 26، شماره 4،صص615-638.


8. فروغی، داریوش؛ فروغ نژاد، حیدر؛ میرزاییف منوچهر.(1392). پیش‌بینی سود هر سهم: ترکیب شبکه‌های عصبی مصنوعی و الگوریتم بهینه‌سازی حرکت تجمعی ذرات، دانش سرمایه گذاری، دوره2،شماره6،صص63-82.


9. فریدونی، فرشید؛ دارابی، رویا؛ انوررستمی، علی اصغر.(1399). کاربرد الگوریتم هوش مصنوعی در پیش‌بینی هموارسازی سود، پژوهش های حسابداری مالی و حسابرسی، دوره12،شماره45،صص103-134.


10. فغانی ماکرانی، خسرو، حسن صالح نژاد و وحید امین، (1395)، "پیش‌بینی مدیریت سود مبتنی بر مدل جونز تعدیل شده با استفاده از مدل شبکه عصبی مصنوعی و الگوریتم ژنتیک"، مهندسی مالی و مدیریت اوراق بهادار، شماره 28، صص 117-136.


11. قادری، اقبال؛ امینی،پیمان؛ محمدی، عطاالله؛ نوروش، ایرج.(1397). بررسی دقت شبکه های عصبی مصنوعی و الگوریتم بهینه سازی کلونی مورچگان در پیش بینی مدیریت سود،حسابداری مالی، دوره10،شماره39،صص82-110.


12. قادری، اقبال؛امینی، پیمان؛محمدی ملقرنی، عطاالله.(1399). بکارگیری الگو ترکیبی شبکه های عصبی مصنوعی با الگوریتم های فراکاوشی (ICA,PSO) در پیش بینی مدیریت سود، پزوهش تجربی حسابداری، دوره9،شماره36،صص213-248.


13. قاسمی ، جمال؛ سروهف فرزاد.(1398). مروری برکاربرد الگوریتم های فراابتکاری در مباحث مالی، بررسی بازرگانی، دوره17،شماره96،صص56-77.


14. قره خانی، بیتا؛ کاردان، بیتا؛ صالحی، مهدی؛ منصوری، مرتضى.(۱۳۹۶). بررسی دقتالگوریتم های خطی - تکاملی BBO و icde و الگوریتم های غیر خطی CVR و CART در پیش بینی سود. پژوهشهای حسابداری مالی ،دوره9،شماره31،صص ۹۵-۷۷.


15. گرد، عزیز؛ وقفی، سید حسام؛ حبیب زاده بایگی، سید جواد؛ خواجه زاده، سارا.(1394). مقایسه دقت پیش بینی مدیریت سود با استفاده از الگوریتم‌های مورچگان و غذایابی باکتری، پژوهش های تجربی حسابداری،دوره5،شماره1،صص181-203.
    نقدی، سجاد؛ عرب مازار یزدی، محمد.(1396).ترکیب شبکه عصبی، الگوریتم ژنتیک و الگوریتم تجمع ذرات در پیش‌بینی سود هر سهم، دانش حسابداری، دوره8،شماره3،صص7-34.

1. ولی زاده لاریجانی، اعظم، رحمانی،علی؛ ساده،شقایق.(1397).رابطه بین افشای گزارش کنترل‌های داخلی، هزینه‌های نمایندگی و مدیریت سود، دانش حسابداری و حسابرسی مدیریت، سال 7 شماره 25، صص 29-40.


2. Abdurrahman, A, Sapto, J,. Lubna, L.(2019).Intellectual Capital, Prediction Model of Earning Management Actions, and Efficiency Ratios on the Performance of Service Sector Companies in Indonesia, Annual International Conference on Accounting Research (AICAR 2019.

18. Almasri,B.(2021). The role of enterprise risk management on disclosure transparency in the international financial reporting standards period, Accounting ,7.pp 1241–1250. DOI:10.5267/j.ac.2021.4.016.


19. Chang B, Kuo C,Wu CH, Tzeng GH. (2015).Using Fuzzy Analytic Network Process to assess the risks in enterprise resource planning Applied Soft Computing Journal. 2015; 28:196–207.


20. Chen, W. (2015). Artificial bee colony algorithm for constrained possibilistic portfolio optimization problem. Physica A: Statistical Mechanics and its Applications, 429, 125-139

1. David, V,.Eric, S.(2021).Can earnings management information improve bankruptcy prediction models?Annals of Operations Research, DOI:10.1007/s10479-021-04183-0

22. Fu-Hsiang Chen, Der-Jang Chi, Yi-Cheng Wang, (2015), “Detecting Biotechnology Industry's Earnings Management Using Bayesian Network, Principal Component Analysis, Back Propagation Neural Network, and Decision Tree”, Economic Modelling, Vol. 46, Issue null, PP. 1-10.

1. Jaspersen, J, G,. Richter, A ,.Zoller, S, (2021).Predicting Earnings Management from Qualitative Disclosures (January 1, 2021). Munich Risk and Insurance Center Working Paper 40, Available at SSRN: https://ssrn.com/abstract=3732203 or http://dx.doi.org/10.2139/ssrn.3732203

24. Kaveh, M., DucBui, M., Rutschman, P.(2017). A comparat ve tudy of three different learning algorithms applied to ANFIS for predicting daily suspendeded me t co ce trat o al”,   ter at o al journal of sediment research.


25. Najari, M. , Hazrati, A. , Rezaie, P. , Habibzadeh Baygi, J. (2014). Forecasting of Earning Management by Support Vector Machine: Case Study in Tehran Exchange Stock. Middle-East Journal of Scientific Research19 (7): 1007- 1017.


26. Qingling, T., C. Huifa, and L. Zhijun. (2016). How to measure country level financial reporting quality? Journal Financial Reportting and Accounting 14(2): 230-265.


27. Rahul, K., Seth, N., Dinesh Kumar, U. (2018). Spotting Earnings Manipulation: Using Machine Learning for Financial Fraud Detection. In: Bramer M., Petridis M. (Eds) Artificial Intelligence XXXV. SGAI. Lecture Notes in Computer Science, Springer, 343-356.

1. Rezky, U , Hermanto, S, Ferry, S.(2020). The Analysis of Bankruptcy Prediction Model with Adjustment of Earning Management on Textile and Garment Sub-Sector in Indonesia Stock Exchange, International Journal of Research and Review.7(1).E-ISSN: 2349-9788; P-ISSN: 2454-2237.

29. Setayesh M, kazemnezhad M. (2016). The Usefulness of Support Vector Regression and Variables Reduction Methods in Stock Return quarterly financial accounting journal.; 7 (28) :1-33(in