شبکه عصبی پرسپترون چندلایه

شیوه های داده کاوی جدید می تواند حسابرسان را در ارایه نوع اظهارنظر حسابرسی یاری رساند. در این تحقیق برای اولین بار در ایران به منظور توسعه الگوهایی که قادر به شناسایی و پیش بینی نوع اظهارنظر حسابرسان باشد، عملکرد شبکه های عصبی در مقایسه با الگوهای کلاسیک مورد بررسی قرار گرفته است. شیوه های مورد استفاده در این پژوهش شامل شبکه عصبی پرسپترون چند لایه (MLP) و هم چنین رگرسیون لجستیک (LR) است. دوره زمانی این تحقیق از ابتدای سال 1379 تا پایان سال 1386 و جامعه آماری تحقیق تمام شرکتهای پذیرفته شده در بورس اوراق بهادار تهران است. در این مطالعه به منظور شناسایی و پیش بینی نوع اظهارنظر حسابرسان، شاخصهای مرتبط با سودآوری، نقدینگی، اهرمی، فعالیت، رشد، اندازه، دعاوی حقوقی، بهره وری و سایر عوامل تاثیرگذار مورد بررسی قرار گرفته است. نتایج تحقیق حاکی از توان زیاد شبکه پرسپترون چندلایه در شناسایی و پیش بینی انواع اظهارنظر حسابرسان است. این شبکه با میزان صحت %87.75 بهترین عملکرد را در شناسایی نوع گزارش حسابرسی داشت و رگرسیون لجستیک عملکرد ضعیفی در شناسایی اظهارنظر مشروط دارد و الگوی نامتوازنی در شناسایی انواع اظهارنظر حسابرس است. نتایج این الگوها می تواند برای پیش بینی نوع اظهارنظر حسابرسی توسط حسابرسان داخلی و مستقل، سرمایه گذاران، اعتباردهندگان، و سایر ذی نفعان سودمند واقع شود.

هدف اصلی این مطالعه مقایسه قدرت پیش بینی دو مدل رگرسیون هدانیک و شبکه عصبی مصنوعی (ANN) و تعیین یک مدل بهینه برای پیش بینی قیمت هدانیک مسکن درکلان شهر تبریز می باشد. نتایج تخمین تابع قیمت هدانیک بیانگر آن است که اکثر متغیرها معنا دار بوده و دارای علامت مورد انتظار می باشند. عوامل فیزیکی بیشتر از عوامل مکانی(محیطی و دسترسی) قیمت واحدهای مسکونی را تحت تأثیر قرار می دهند. همچنین، از بین ویژگی های فیزیکی، دارابودن سالن اجتماعات، دارا بودن استخر، تعداد اتاق ها و نمای ساختمان مهم ترین عوامل مؤثر بر قیمت مسکن هستند. مهم ترین ویژگی مکانی اثر گذار بر قیمت نیز، فاصله تا مراکز آموزشی می باشد. به منظور مقایسه قدرت پیش بینی از معیارهای MSE، RMSE، MAE و R2 استفاده شده گردید. براساس کلیه معیارها، مدل شبکه عصبی مصنوعی خطای کمتر و در نتیجه کارایی بیشتری در پیش بینی قیمت هدانیک مسکن داشته است. همچنین، برای اینکه از لحاظ آماری نیز فرضیه برابری قدرت پیش بینی در مدل های رقیب مورد آزمون قرار گیرد از آزمون مرگان-گرنجر- نیوبلد (MGN) استفاده شده گردید که نتایج آزمون بیانگر آن است که روش شبکه عصبی مصنوعی از لحاظ آماری نیز برتر از مدل هدانیک می باشد.

موضوع مالی رفتاری از جمله مباحث جدیدی است که در طول دو دهه گذشته توسط برخی اندیشمندان مالی مطرح گردید. ناشناخته بودن عوامل تأثیرگذار بر تغییرات قیمت سهام، همواره دلیلی برای روی آوردن به پیش بینی قیمت سهام شرکت ها است. در اکثر مدل های پیش بینی کننده، سیستم فقط با استفاده از اطلاعات یک شاخص به پیش بینی می پردازد، اما در مدل پیشنهادی در این پژوهش یک سیستم دو سطحی از شبکه های عصبی پرسپترون چندلایه پیشنهاد شده و از چندین شاخص برای پیش بینی استفاده می شود. در این پژوهش داده های شاخص قیمت بورس اوراق بهادار تهران از سال 1391 تا 1395 برای پیش بینی در نظر گرفته شده است. در تحلیل رفتار مالی نتایج حاصل از این پژوهش پس از بررسی تأثیر هریک از عوامل رفتاری بر روی سرمایه گذاری دارایی های مالی نشان می دهد که تمام عوامل به غیر از عامل «بیش اطمینانی» روی سرمایه گذاری تأثیرگذار هستند و میزان این تأثیر برای هریک از جمله عوامل سود و زیان نسبی، اثر تمایلی، محافظه کاری، رفتار توده وار، شهود نمایندگی، اثر مالکیت و پشیمان گریزی متفاوت می باشد؛ که از بین این عوامل، عامل «سود و زیان نسبی» بیشترین تأثیر و عامل «پشیمان گریزی» کمترین تأثیر را بر روی سرمایه گذاری دارایی های مالی در بورس اوراق بهادار داشته است که این خود تأثیر مستقیم در شاخص قیمت بورس خواهد داشت. همچنین برای آموزش بهتر شبکه ی عصبی و درنتیجه بهبود نتایج به دست آمده، از الگوریتم بهینه سازی ملخ برای انتخاب بهترین نمونه ها استفاده شده است. نتایج به دست آمده نشان می دهد که مدل پیشنهادی توانسته با خطای پیش بینی پایین تری نسبت به دیگر مدل ها عمل کند.

افزایش میزان تقلب در گزارشگری مالی در سال های اخیر باعث عدم اعتماد سرمایه گذاران به بازار های سرمایه شده است. به همین علت پیش بینی دقیق مدیریت سود یکی از نیازهای اساسی برای تصمیم گیری استفاده کنندگان صورت های مالی است. این پژوهش با ارائه یک مدل توسعه یافته بر مبنای مدل بنیش با تأکید بر متغیر های نظام راهبری شرکتی مشتمل بر ساختار کمیته حسابرسی، بازرس قانونی و حسابرس مستقل، ساختار هیئت مدیره و ساختار مالکیت شرکتی سعی درافزایش دقت پیش بینی مدیریت سود دارد. داده های 81 شرکت پذیرفته شده در بورس اوراق بهادار تهران طی سال های 1397-1391 با روش ترکیبی شبکه عصبی پرسپترون چندلایه و الگوریتم های کیهان شناسی سیاه چاله، مه بانگ – مه رمب و ازدحام ذرات کهکشانی مورد تحلیل قرارگرفته است. دقت پیش بینی مدل با روش ترکیبی شبکه عصبی مصنوعی و الگوریتم های کیهان شناسی ازدحام ذرات کهکشانی، مه بانگ – مه رمب و سیاه چاله 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 پیش بینی مدل در کشف شرکت های دستکاری کننده سود است. در مدل پیشنهادی سطح زیر منحنی مربوط به دو الگوریتم سیاه چاله ومه بانگ-مه رمب، توسط الگوریتم ازدحام ذرات کهکشانی احاطه شده است ونشان دهنده این است که خطای شبکه عصبی پرسپترون چند لایه ترکیبی با الگوریتم ازدحام ذرات کهکشانی به 12/7 درصد کاهش یافته است.