Abstract:
هدف از این تحقیق بهینه سازی مدل پیش بینی حق الزحمه ی حسابرسی با استفاده از سود و جریان های نقد عملیاتی با رویکرد رگرسیون حداقل مربعات ، شبکه های عصبی مصنوعی و الگوریتم ژنتیک است . متغیرهای مستقل در این تحقیق سود و جریان نقد عملیاتی هر سهم و متغیر وابسته حق الزحمه ی حسابرسی است . بدین منظور متغیرهای مذکور برای ٦٠ شرکت بورسی و به مدت ٥ سال (١٣٨٦-١٣٩٠) جمع آوری گردید. خروجیهای حاصل از تخمین شبکه های عصبی مصنوعی بهینه سازی شده با الگوریتم ژنتیک و نتایج حاصل از تخمین با استفاده از این روش ، با معیارهای ارزیابی (٠٣٠=R، ٠٦٦=MSE و ٠٧=MAE) میباشد. این خروجیها بیانگر بهینه ترین شبکه ی طراحی شده برای پیش بینی میباشند و نیز شبکه طراحی شده دارای کمترین خطا نسبت به شبکه های دیگر است . همچنین ، میزان خطای پیش بینی توسط مدل شبکه های عصبی مصنوعی بهینه سازی شده با استفاده از الگوریتم ژنتیک از لحاظ معیارهای ارزیابی عملکرد نسبت به روش رگرسیون حداقل مربعات و شبکه های عصبی مصنوعی برتری دارد.
Machine summary:
"همچنین ، میزان خطای پیش بینی توسط مدل شبکه های عصبی مصنوعی بهینه سازی شده با استفاده از الگوریتم ژنتیک از لحاظ معیارهای ارزیابی عملکرد نسبت به روش رگرسیون حداقل مربعات و شبکه های عصبی مصنوعی برتری دارد.
به این صورت که حق الزحمه حسابرسی به عنوان متغیرهای وابسته و سود و جریان نقد عملیاتی هر سهم به عنوان متغیرهای مستقل و بر طبق مدل زیر در نظر گرفته شده اند: AUDFEE = α1 +α OCF + α EpS + 3 / / پس از انجام محاسبات مربوط به رگرسیون حداقل مربعات با استفاده از نرم افزار SPSS میانگین مجذور خطا (MSE)، میانگین قدر مطلق خطا (MAE) و میزان (R) محاسبه شده است .
/ ماخذ: یافته های تحقیق شکل شماره ی (٣) نتایج خروجی حاصل از بهینه سازی روش شبکه های عصبی مصنوعی را با استفاده از الگوریتم ژنتیک (GA-ANN) نشان میدهد.
همان طور که ذکر شد در این تحقیق از روش های رگرسیون حداقل مربعات ، شبکه های عصبی مصنوعی و الگوریتم ژنتیک به عنوان عاملی برای تخمین و پیش بینی حق الزحمه ی حسابرسی استفاده شده است .
با توجه به نگاره شماره ی (٤)، میزان خطای پیش بینی توسط مدل شبکه های عصبی مصنوعی بهینه سازی شده با الگوریتم ژنتیک از لحاظ معیارهای ارزیابی عملکرد نسبت به روش رگرسیون حداقل مربعات و شبکه های عصبی مصنوعی برتری دارد.
"Predicting US recessions with leading indicators via neural network models", International Journal of Forecasting, 17, 383–401."