بررسي دقت شبكه هاي عصبي مصنوعي و الگوريتم بهينه سازي كلوني مورچگان در پيش بيني مديريت سود

The Accuracy of Artificial Neural Network and Ant Colony Optimization algorithm in predicting profit management

شناخت كيفيت سود براي استفاده­كنندگان از اطلاعات حسابداري به دليل ارزيابي عملكرد، پيش­بيني سودآوري و تعيين ارزش واقعي شركت­ها بسيار حائز اهميت است. هدف از اين پژوهش بررسي دقت پيشبيني مديريت سود با استفاده از شبكههاي عصبي (ANN) و الگوريتم كلوني مورچگان (ACO) و مقايسه آن با مدل خطي (LR) است. براي اين منظور از 28 متغير تاثيرگذار بر مديريت سود در قالب چهار گروه (مالي، مديريتي، شركتي و حسابرسي) در طي سال­هاي 1390 الي 1395 در 124 شركت پذيرفته شده بورس اوراق بهادار تهران استفاده گرديد. نتايج كلي حاصل از اين پژوهش نشان داد كه روش شبكه­ي عصبي مصنوعي و الگوريتم كلوني مورچگان در پيش­بيني مديريت سود نسبت به روش خطي دقيق­تر و داراي سطح خطاي كمتري است. همچنين دقت تركيب الگوريتم كلوني مورچگان با شبكه­ي عصبي (A-ANN) حاكي از برتري اين الگو در قياس با الگوي شبكه عصبي مصنوعي است. نتايج تركيب شبكه­ي عصبي مصنوعي الگوريتم كلوني مورچگان با ضريب همبستگي (0/878) نشان داد اين الگو با شش متغير دقت پيش­بيني، سهم مالكيت سهامداران عمده، سودآوري، نوسانات سود، سن شركت و اندازه شركت توانايي پيش­بيني مديريت سود را با دقت 97 درصد دارد.

Undrestanding the quality of profits for users of accounting information is very important because of performance appraisal, profitability forecasting, and the determination of corporate value. The purpose of this study is to examine the accuracy of forecasting earnings management using Artificial Neural Networks (ANN) and cluster Ant Colony Optimization (ACO) algorithms and compare it with linear models (LR). For this purpose, 28 variabels that affect the management of earnings in four groups (Financial, Managerial, Corporate and Auditing) have been accepted in 124 companies during the years 2010 to 2016 and were used Tehran Stock Exchange. The overall results of this study shows that artificial neural network and ant colony optimization algorithm in predicting profit management is more accurate than linear method with less error rate. Also, the accuracy of artificial neural network composition and ant colony algorithm(A-ANN), suggests the superiority of this pattern compared to artificial neural network method. The results of the combination of artificial neural network- ant colony optimization algorithm with correlation coefficient (0/878) shows that this model has the ability to predict management with 97 percent accurancy with six predictive variables, accurancy of forecasting, sharehlding of maior shareholders, profitability, fluctuations in profit, company’s age and size.