اقتصاد پولی مالی

چکیده چکیده
افزایش میزان تقلب در گزارشگری مالی در سال‌های اخیر باعث عدم اعتماد سرمایه‌گذاران به بازار‌های سرمایه شده است. به همین علت پیش‌بینی دقیق مدیریت سود یکی از نیازهای اساسی برای تصمیم‌گیری استفاده‌کنندگان صورت‌های مالی است. این پژوهش با ارائه یک مدل توسعه‌یافته بر مبنای مدل بنیش با تأکید بر متغیر‌های نظام راهبری شرکتی مشتمل بر ساختار کمیته حسابرسی، بازرس قانونی و حسابرس مستقل، ساختار هیئت‌مدیره و ساختار مالکیت شرکتی سعی درافزایش دقت پیش‌بینی مدیریت سود دارد. داده‌های 81 شرکت پذیرفته‌شده در بورس اوراق بهادار تهران طی سال‌های 1397-1391 با روش ترکیبی شبکه عصبی پرسپترون چندلایه و الگوریتم‌های کیهان‌شناسی سیاه­‌چاله، مه­‌بانگ – مه‌رمب و ازدحام ذرات کهکشانی مورد تحلیل قرارگرفته است. دقت پیش‌بینی مدل با روش ترکیبی شبکه عصبی مصنوعی و الگوریتم‌­های کیهان‌­شناسی ازدحام ذرات کهکشانی، مه­‌بانگ – مه­‌رمب و سیاه­‌چاله به ترتیب از 59/08 ، 63/49 و 57/5 درصد به 87/3، 79/72 و 74/25 درصد افزایش پیداکرده است که حاکی از بهبود قدرت پیش­‌بینی مدل در کشف شرکت‌­های دستکاری کننده سود است. در مدل پیشنهادی سطح زیر منحنی مربوط به دو الگوریتم سیاه‌­چاله ومه­‌بانگ-مه‌رمب، توسط الگوریتم ازدحام ذرات کهکشانی احاطه‌شده است ونشان دهنده این است که خطای شبکه عصبی پرسپترون چند­لایه ترکیبی با الگوریتم ازدحام ذرات کهکشانی به 12/7 درصد کاهش‌یافته است.

چکیده چکیده سود یکی از عوامل مهم در رشد و توسعه اقتصادی بوده و دستکاری سود هم یکی از چالش­های اساسی کارایی بازار است که محققین اغلب برای پیش‌بینی دستکاری سود از داده­های حسابداری استفاده می­کنند؛ درحالی‌که داده­های غیر­حسابداری هم نقش بسزایی در پیش­بینی دستکاری سود دارند. این پژوهش به توسعه مدل بنیش با متغیرهای غیر‎‌‌­حسابداری شامل عدم تقارن اطلاعاتی و رقابت در بازار محصول پرداخته است. داده­های 184شرکت پذیرفته شده در بورس تهران طی سال­­های 1386-1396 جمع­آوری و دقت پیش­بینی مدل­های پژوهش در کشف و شناسایی شرکت­های دستکاری کننده سود با دو الگوریتم بهینه­سازی حرکت تجمعی ذرات و رقابت استعماری در ترکیب شبکه عصبی مورد مقایسه قرار گرفت. یافته­های پژوهش نشان می­دهد دقت پیش­بینی مدل پیشنهادی با الگوریتم رقابت استعماری و حرکت تجمعی ذرات به ترتیب از 55/57 به 86/63 درصد و از 71/55 به 84/59 درصد افزایش یافته است. با توسعه مدل سطح زیرمنحنی راک افزایش یافته و کاهش خطای پیش­بینی در الگوریتم رقابت استعماری 31/6 درصد و در الگوریتم حرکت تجمعی ذرات 13/4 درصد است ولی همچنان نتیجه آزمون ضعیف می‌باشد. درواقع میزان دقت پیش‌بینی مدل با الگوریتم رقابت استعماری در مقایسه با الگوریتم حرکت تجمعی ذرات بهبود یافته است.