مقايسه دقت پيش بيني مديريت سود با استفاده از الگوريتم‌هاي مورچگان و غذايابي باكتري

Comparing the Accuracy of Earnings Management Forecast Using Ant Colony Optimization Algorithm and Bacteria Foraging Algorithm

هدف این تحقیق بررسی این موضوع است كه آیا می‌توان مدیریت سود را براساس مدل‌های مبتنی بر یادگیری ماشین كشف كرد. در این تحقیق برای پیش‌بینی مدیریت سود از مدل‌های مبتنی بر یادگیری ماشین (الگوریتم كلونی مورچه‌ها و غذایابی باكتری) استفاده شده است. برای این منظور 143 شركت پذیرفته شده در بورس اوراق بهادار تهران طی دوره زمانی 1388 تا 1392 مورد مطالعه قرار گرفتند. در این تحقیق با استفاده از الگوریتم حركات ذرات اقدام به شناسایی متغیر‌های معنادار با مدیریت سود شده و در نهایت بوسیله نرم‌افزار متلب اقدام به پیش بینی مدیریت سود شده است. نتایج برازش الگوریتم غذایابی باكتری و كلونی مورچه‌ها نشان می‌دهد كه این دو الگوریتم با دقت بالای 98 درصد توانایی پیش‌بینی مدیریت سود را دارند. نتایج مبین آن است كه مدل كلونی مورچه‌ها توانایی بیشتری (خطای 97/0درصد) در پیش‌بینی مدیریت سود نسبت به مدل غذایابی باكتری (خطای 19/1 درصد) دارد. 

The present study is aimed to assess whether earnings management can be discovered on the basis of Machine Learning methods, so models based on Machine Learning (Ant Colony Optimization Algorithm and Bacteria Foraging) are applied to forecast earnings management. To do this, 143 firms listed in Tehran Stock Exchange are examined over a period from 2009 to 2013. Furthermore, Particle Swarm Optimization (PSO) is utilized in order to distinguish significant variables of earnings management and finally, earnings management is forecasted through the application of Matlab Software. Findings achieved from the fitness of Bacteria Foraging and Ant Colony Optimization algorithms indicates that these two algorithms are capable of forecasting earnings management with the accuracy of %98. Results show that Ant Colony Optimization model is more successful (error: %0.97) than Bacteria Foraging (error: %1.19) in earnings management forecasting.