پژوهشهای کاربردی در گزارشگری مالی

پژوهشهای کاربردی در گزارشگری مالی

بررسی رویکرد ترکیبی روش‌های انتخاب ویژگی‌ با الگوریتم‌های طبقه‌بندی رگرسیون لجستیک و یادگیری ماشین به منظور بهبود دقت پیش‌بینی مدیریت سود

نوع مقاله : مقاله پژوهشی

نویسندگان
حسن حسنی
اسفندیار ملکیان کله بستی
یحیی کامیابی
گروه حسابداری، دانشگاه مازندران، بابلسر، ایران
10.22034/arfr.2025.509803.2129
چکیده
پیش‌بینی مدیریت سود بخشی جدایی‌ناپذیر از تحلیل‌های مالی-اقتصادی است که به سهامداران، سرمایه‌گذاران، اعتباردهندگان و افراد بیرونی کمک می‌کند تا کیفیت بالایی از اطلاعات مالی شرکت را کسب کنند. هدف از این پژوهش، بررسی و مقایسه عملکرد ترکیب روش‌های انتخاب ویژگی با الگوریتم‎های طبقه‌بندی روش‌های یادگیری ماشین (از جمله درخت تصمیم، k- نزدیک‌ترین همسایه، یادگیری عمیق و روش‌ تجمیعی آدابوست ماشین بردار پشتیبان) و روش رگرسیون لجستیک به منظور بهبود دقت پیش‌بینی مدیریت سود است. در این راستا، با استفاده از روش‌های‌ انتخاب ویژگی مبتنی بر ریلیف و بهینه سازی ازدحام ذرات به پیش‌بینی مدیریت سود پرداخته شد. در این پژوهش، تعداد 180 شرکت پذیرفته‌شده در بورس تهران به عنوان نمونه آماری برای سال‎های 1389 تا 1400 انتخاب گردید. همچنین برای آزمون فرضیه‌ها از معیارهای میانگین صحت پیش بینی، خطاهای نوع اول و دوم استفاده گردید. نتایج بیانگر آن است که عملکرد روش‌های پیش بینی مدیریت سود شرکت‌ها بر اساس الگوی انتخاب ویژگی مبتنی بر ریلیف نسبت به الگوی‌ انتخاب ویژگی مبتنی بر بهینه سازی ازدحام ذرات از توانایی بهتری برخوردار است. این نتیجه در کلیه روش‌های‌ پیش بینی مدیریت سود شرکت‌ها مورد تایید قرار گرفت. همچنین نتایج حاکی از برتری روش‌های یادگیری ماشین نسبت به رگرسیون لجستیک است. مضافا نتایج نشان می‌دهد مدل پیش بینی مدیریت سود ایجاد شده با ترکیب روش ریلیف و یادگیری عمیق، بهترین عملکرد پیش بینی را با میانگین صحت پیش بینی 89.62% ارائه می‌دهد
کلیدواژه‌ها
اقلام تعهدی
انتخاب ویژگی
متغیرهای پیش بین بهینه
مدیریت سود
یادگیری ماشین

  • تاریخ دریافت 11 اسفند 1403
  • تاریخ بازنگری 14 شهریور 1404
  • تاریخ پذیرش 16 شهریور 1404