جواد شرف خانی

هدف پژوهش حاضر کشف صورت های مالی متقلبانه براساس تکنیک یادگیری عمیق حافظه طولانی کوتاه مدت در شرکت های پذیرفته شده در بورس اوراق بهادار تهران و مقایسه نتایج حاصل از آن با سایر الگوریتم های یادگیری عمیق می باشد. در پژوهش حاضر از چهار الگوریتم یادگیری عمیق ( شامل الگوریتم های حافظه طولانی کوتاه مدت (LSTM)، ماشین بردار پشتیبان(SVM)، شبکه عصبی پیچشی(CNN) و شبکه عصبی بازگشتی (RNN)) و همچنین جهت انتخاب متغیرهای نهایی پژوهش از روش آزمون مقایسه میانگین دو نمونه جهت ایجاد مدل استفاده شده است. نتایج حاصل از الگوریتم های یادگیری عمیق نشان می دهد که صحت کلی الگوریتم های LSTM، SVM، CNN و RNN به ترتیب 98.6%، 88.4%، 81.3% و 94.4% می باشد که نشان دهنده این است الگوریتم LSTM بهترین عملکرد و الگوریتم CNN بدترین عملکرد را در کشف شرکت های دارای صورت های مالی متقلبانه دارد. بنابراین در شرکت های پذیرفته شده در بورس اوراق بهادار تهران الگوریتم LSTM کاراترین مدل را برای کشف صورت های مالی متقلبانه فراهم می کند. یافته های پژوهش حاضر می تواند برای سهامداران، اعتباردهندگان، تحلیل گران و سایر مشارکت کنندگان در بازار سرمایه اطلاعات سودمندی را در بهبود پیش بینی صورت های مالی متقلبانه و کاهش خطا در اتخاذ تصمیمات مبتنی بر اطلاعات صورت های مالی، ارزیابی بهتر عملکرد شرکت بر مبنای اطلاعات، اتخاذ استراتژی های معاملاتی بهینه و شناسایی فرصت های مناسب خرید و فروش سهام بر مبنای اطلاعات صورت های مالی فراهم کند.

هدف پژوهش حاضر کشف صورت های مالی متقلبانه براساس تکنیک های یادگیری عمیق در شرکت های پذیرفته شده در بورس اوراق بهادار تهران می باشد. به منظور نیل به این هدف 1800 سال-شرکت (150 شرکت برای 12 سال) مشاهده جمع آوری شده از گزارش های مالی سالیانه شرکت های پذیرفته شده در بورس اوراق بهادار تهران در طی دوره زمانی 1391 تا 1402 مورد آزمون قرار گرفته اند. در پژوهش حاضر از سه الگوریتم یادگیری عمیق ( شامل الگوریتم های ماشین بردار پشتیبان(SVM)، شبکه عصبی پیچشی(CNN) و شبکه عصبی بازگشتی (RNN)) و همچنین جهت انتخاب متغیرهای نهایی پژوهش از روش آزمون مقایسه میانگین دو نمونه جهت ایجاد مدل استفاده شده است. نتایج حاصل از الگوریتم های یادگیری عمیق نشان می دهد که صحت کلی الگوریتم های SVM، CNN و RNN به ترتیب 88.4%، 81.3% و 94.4% می باشد که نشان دهنده این است الگوریتم RNN بهترین عملکرد و الگوریتم CNN بدترین عملکرد را در کشف شرکت های دارای صورت های مالی متقلبانه دارد. یافته های پژوهش حاضر می تواند برای سهامداران، اعتباردهندگان، تحلیل گران و سایر مشارکت کنندگان در بازار سرمایه اطلاعات سودمندی را در بهبود پیش بینی صورت های مالی متقلبانه و کاهش خطا در اتخاذ تصمیمات مبتنی بر اطلاعات صورت های مالی، ارزیابی بهتر عملکرد شرکت بر مبنای اطلاعات، اتخاذ استراتژی های معاملاتی بهینه و شناسایی فرصت های مناسب خرید و فروش سهام بر مبنای اطلاعات صورت های مالی فراهم کند.