پیش‌بینی مدیریت سود مبتنی بر مدل جونز تعدیل شده با استفاده از مدل شبکه عصبی مصنوعی و الگوریتم ژنتیک

محورهای موضوعی : مهندسی مالی

خسرو فغانی ماکرانی ¹ (استادیار، عضو هیات علمی دانشگاه آزاد اسلامی، واحد سمنان، گروه حسابداری، سمنان ، ایران.)
سیدحسن صالح نژاد ² (استادیار، عضو هیات علمی دانشگاه پیام نور، گروه حسابداری، تهران، ایران.)
وحید امین ³ (مربی، عضو هیات علمی دانشگاه پیام نور، گروه حسابداری، تهران، ایران.)

تاریخ دریافت : 1394/11/25 تاریخ پذیرش : 1395/02/14 تاریخ انتشار : 1395/07/01

کلید واژه: الگوریتم ژنتیک, مدیریت سود, اقلام تعهدی اختیاری, شبکه عصبی مصنوعی,

چکیده مقاله :

در سالهای اخیر مدیریت سود در پژوهش های دانشگاهی توجه زیادی را به خود جلب کرده است. هدف این پژوهش پیش بینی مدیریت سود از طریق اقلام تعهدی اختیاری مبتنی بر مدل جونز تعدیل شده است. در این پژوهش از دو مدل شبکه عصبی مصنوعی و مدل ترکیبی الگوریتم ژنتیک – شبکه عصبی به عنوان الگوی موفقجهت پیش بینی مدیریت سود مبتنی بر جونز تعدیل شده در بورس اوراق بهادار تهران استفاده شده است. نمونه مورد استفاده در این پژوهش شامل 570 سال-شرکت بین سالهای 1387 الی 1392 می باشد. یافته های پژوهش نشان داد که شبکه عصبی مصنوعی از توانایی بالایی در پیش بینی مدیریت سود، نسبت به مدل خطی جونز تعدیل شده برخوردار است. همچنین یافته ها حاکی از آن است که الگوریتم ژنتیک به عنوان مدل بهینه ساز می تواند در افزایش توان پیش بینی شبکه عصبی مصنوعی و بهینه کردن وزن های آن برای پیش بینی مدیریت سود مبتنی بر مدل جونز تعدیل شده تأثیر بسزایی داشته باشد.

چکیده انگلیسی:

In recent years, earnings management in university research has attracted much attention. The aim of this study is to predict earnings management through discretionary accruals based on adjusted Jones model. In this study, two models of artificial neural networks and genetic algorithms - neural network hybrid model as a successful model to predict earnings management based on adjusted Jones model were used in the Tehran Stock Exchange. The sample used in this study is consisted of 570 firm-year between 2008 to 2013. The results showed that neural networks have a high ability to predict earnings management rather than the adjusted Jones linear model. The findings also suggest that, the genetic algorithm through optimizing artificial neural network weights is able to increase power of artificial neural network to predict earnings management.