Application of Genetic Algorithm, Particle Swarm and Artificial Neural Networks in Predicting Profit Manipulation

Subject Areas : Journal of Investment Knowledge

Morteza  Hoseinalinezhad ¹ (Ph.D Candidate, Accounting Department, ghaemshahr Branch, Islamic Azad University, ghaemshahr, Iran)
Seyed Mohamad Hassan  Hashemi Kucheksarai ² (Assistance Prof, Accounting Department, ghaemshahr Branch, Islamic Azad University, ghaemshahr, Iran,)
Ali  Jafari ³ (Assistance Prof, Accounting Department, ghaemshahr Branch, Islamic Azad University, ghaemshahr, Iran)

Received: 2021-08-22 Accepted : 2022-06-26 Published : 2024-12-21

Keywords: Prediction, Genetic algorithm, profit manipulation, particle swarm, Artificial Neural Networks,

Abstract :

Profit management has been one of the most controversial topics in recent research. Most research on earnings management has examined the linear relationship between independent variables and earnings management using statistical methods but they did not use these variables to predict earnings management. Today, with the growth of information technology and the introduction of artificial intelligence, including artificial neural networks into the field of scientific research, it has become possible to study nonlinear relationships between variables. In this study, an attempt was made to estimate optional accruals for predicting earnings management using artificial neural networks. Also in this research, the genetic algorithm optimizer model and Particle swarm has been used to optimize the weights of the artificial neural network model to enhance the predictive power. Then, the ability to predict profit management was evaluated using the modified Jones statistical model, artificial neural network and the combined technique of genetic algorithm, Particle swarm and neural network. The sample used in this study included 150 companies listed on the Tehran Stock Exchange between 2015 and 2020. Findings showed that the artificial neural network has a high ability to predict profit management, compared to the modified Jones linear model. The findings also indicate that the accuracy and ability of the combined model of genetic algorithm, particle swarm and neural network in predicting profit management is higher than the combined model of genetic algorithm-artificial neural network.

References:

• اسدی، نجمه، کرمی، غلامرضا، 1399، الگوی رفتاری مدیریت سود مبتنی بر دانش ضمنی و تجربه مدیران، دانش حسابداری و حسابرسی مدیریت، دوره 9، شماره 36، صفحه 87-95


• اسکو وحید، فخاری حسین. ارائه مدلی برای سنجش سوگیری‌ پیش‌بینی سود مدیریت. فصلنامه حسابداری مالی. ۱۳۹۹; ۱۲ (۴۵) :۶۲-۳۰


• الهیاری، ساحل و پاک مرام، عسگر (۱۳۹۴). عوامل مؤثر بر خطای مدیریت در پیش‌بینی سود (با تأکید بر صنعت)، دومین همایش ملی و دومین همایش بین‌المللی مدیریت و حسابداری ایران.


• بیدختی فر، سمیه؛ امری، امید.(1396). بررسی رابطه بین مدیریت سود از طریق اقلام واقعی ، و استفاده از مدل بنیش برای تشخیص تقلب در صورتهای مالی شرکت های پذیرفته شده در بورس اوراق بهادار تهران.پایان نامه کارشناسی ارشد.دانشگاه آزاد اسلامی واحد شاهرود.


• پورزمانی، زهرا، 1394، کاربرد الگوریتم ژنتیک خطی و غیر خطی در بهبود قدرت پیش­بینی سودآوری شرکت­ها، مجله مهندسی مالی و و مدیریت اوراق بهادار، شماره 22، صفحه 81-94


• حمیدیان، نرگس، عربصالحی، مهدی و امیری، هادی.(1397). بررسی واکنش سرمایه‌گذاران به سود غیرمنتظره در شرایط عدم‌ ‌اطمینان‌ بازار. فصلنامه علمی مدیریت دارایی و تامین مالی، سال هشتم، شماره اول ،بهار1399. صفحه 41-56.


• خلیفه سلطانی، سید احمد؛ ملانظری، مهناز و دل‌پاک، سجاد (۱۳۸۹). ارتباط خطای پیش‌بینی سود مدیریت و اقلام تعهدی، دانش حسابداری، سال اول، شماره (۳): ۵۹ – ۷۶.


• شمس زاده، باقر؛ افلاطونی، عباس و نیکبخت، نادر (۱۳۹۵). ارزیابی توان بازار سرمایه در تشخیص مدیریت سود واقعی و مدیریت سود حسابداری، فصلنامه حسابداری مالی، سال هشتم، شماره (۳۲): ۳۸ – ۵۸.


• غلامعلی پور، رضا و ثقفی، علی (۱۳۹۱). محتوای اطلاعاتی پیش‌بینی‌های سود، تکرار سوگیری در ارائۀ پیش‌بینی‌ها و عوامل مؤثر بر خطای پیش‌بینی، فصلنامه بورس اوراق بهادار، سال ۵، ۱۸: ۱۷۳ -۲۰۳.


• کاویاری، فرناز، مسگری، محمدسعدی، حسینعلی، فرهاد، واعظی، سمانه، 1396، مدل سازی عامل-بنیان توسعه شهری با تعاملات الهام گرفته از الگوریتم بهینه سازی ازدحام ذرات، مهندسی فناوری اطلاعات مکانی، شماره 5(9): 49 – 64.


• کردستانی، غلامرضا و آشتاب، علی (۱۳۸۹). بررسی رابطه بین خطای پیش‌بینی سود و بازده غیرعادی سهام شرکت‌های جدیدالورود به بورس اوراق بهادار تهران، فصلنامه بررسی‌های حسابداری و حسابرسی، ۱۷(۶): ۹۳ – ۱۰۸.


• محمدی، عرفان، اثنی­عشری، حمیده، 1400، رابطه الگوهای مدیریت سود با ریسک سقوط قیمت سهام با تاکید بر نقش کیفیت حسابرسی، مطالعات تجربی حسابداری مالی، دوره 18، شماره 71، صفحه 171-200.


• مشایخی، بیتا، خاک نجاتی، زینب، 1394، قابلیت پیش بینی سود و ارتباط با ارزش: بررسی نقش هزینه­های کارکنان، دانش حسابداری و حسابرسی مدیریت، دوره 4، شماره 16، صفحه 35-44.


• نیکومرام، هاشم و پازوکی، پریسا (۱۳۹۴). پاداش مدیریت و پایداری سود، فصلنامه حسابداری مدیریت، سال هشتم، شماره (۲۴): ۶۱- ۷۱.


• Aminul, Islam, Md, Ruhani Ali and Zamri Ahmad, (2011), "Is Modified Jones Model Effective in Detecting Earnings Management? Evidence from A Developing Economy", International Journal of Economics and Finance, 3(2), pp 116-125


• Cohen, Daniel. Zarowin, Paul. (2008). AccrualBased and Real Earnings Management Activities Around Seasoned Equity Offerings. Journal of Accounting and Economics. Pp 128-156


• Dechow, P., Kothari, S., Watts, R., )1998(, The relation between earnings and cash flows, Journal of Accounting & Economics 25, pp.133-168.


• Dechow,P.M.,Sloan, R.G. and Sweeney, A.p.(1995,”Detecting Earnings Management”, Accounting Review, Vol.70,No.2(April), pp.193-225.


• Dechow,P.M.,Hutton, Kim, J. and G. Sloan, (2011),”Detecting Earnings Management: A new Approach”, workshop participants at the University of Arizona, Brigham Yang University, the University of Houston, the University of Texas at Austin, the University of Washington and UCLA.


• DeAngelo, Harry, Linda Elizabeth DeAngelo, and Douglos J.Skinner. (1994). Accounting choic in troubled, companies. Journal of Accounting and Ecounomics, 17,1-2(January):113-143.


• 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, Volume 46, Issue null, 1-10


• Habib, A., Hasan, M. M., & Jiang, H. (2018). Stock price crash risk: Review of the empirical literature. Accounting & Finance, 58, 211-251


• Höglund, H. (2012). Detecting earnings management with neural networks. Export Systems With Applications. 39.pp 9564-9570


• Healy, P.M (1985). The Effect of bonus schemes on accounting decisions, Journal of Accounting and Economics, 7,85-107.


• Jones, J.J. (1991). Earnings management during import relief investigation. Journal of Accounting Research, 29(2) pp 193-228.


• Jianming Ye, (2007), Accounting Accruals and Test of Earning Management. http://ssrn.com/abstract =1003101.


• Kim, J. B., & Zhang, L. (2016). Accounting conservatism and stock price crash risk: Firm‐level evidence.Contemporary Accounting Research, 33(1), 412-441.


• Lo ،Huai-Chun & Wu ،Ruei-Shian & Kweh ،Qian Long,. (2017). Do institutional investors reinforce or reduce agency problems? Earnings management and the post-IPO performance. International Review of Financial Analysis, 52, 62-76


• Scott , William,(2009)Financial Acccounting theory, Prentice Hall, Chapter 11,P 402-428


• Yun, C. U. I., & Yan'an, D. O. N. G. (2019). Managerial Ability and Stock Price Crash Risk Based on the Mediating Effect of Earnings Management. The Theory and Practice of Finance and Economics, 5.