Abstract:
هدف: هدف پژوهش حاضر، تاکید بر اهمیت دادههای حسابداری در الگوسازی نرخ تورم و با استفاده از اطلاعات میاندورهای 90 شرکت (1980 سال-شرکت) پذیرفتهشده در بورس اوراق بهادار تهران و در بین سالهای 1385 تا 1395 است. روش: با توجه به ویژگیهای پیچیده و غیرخطی تورم در پژوهش حاضر بر قدرت پیشبینی الگوهای مختلف هوش مصنوعی شامل شبکه عصبی، الگوریتم ژنتیک و پرواز پرندگان تکیه شده است. بهمنظور دانشافزایی در حوزه حسابداری کلان، تعدادی از متغیرهای حسابداری انتخاب و توان توضیحی آنها در پیشبینی دو شاخص اندازهگیری نرخ تورم (شاخص بهای تولیدکننده و شاخص بهای مصرفکننده) آزمون شده است. یافتهها: نتایج بیانگر آن است که الگوی ترکیبی شبکة عصبی، الگوریتم ژنتیک و الگوریتم تجمع پرندگان در پیشبینی نرخ تورم بهتر از سایر الگوها عمل میکند. نتایج الگوسازی با استفاده از متغیرهای حسابداری نیز بیانگر آن است که خطای پیشبینی شاخص بهای تولیدکننده، کمتر از شاخص بهای مصرفکننده است. نتیجهگیری: در کل، پیامد اصلی پژوهش، تایید اهمیت اطلاعات حسابداری در سطح کلان اقتصادی است که باید در تصمیمگیری های کلان مورد استفاده قرار گیرد.
Objective: The aim of this study was to explain the importance of accounting data information in forecasting inflation rates, using a sample of 90 large companies listed in the Tehran stock exchange during 1385-1395 (1980 year-company). Method: Given the complex and nonlinear properties of inflation in this study, we relied on the predictive power of various artificial intelligence models including neural networks, genetic algorithms and particle swarm optimization. To have contribution to macro-accounting knowledge, a number of accounting variables were selected and their explanatory power was tested in forecasting two inflation rates of producer price index and consumer price index. Results: The findings indicated that the hybrid model of artificial neural networks, genetic algorithms and particle swarm optimization (HANGAPSO) are more accurate in predicting the inflation rates than other models. The model results, using accounting variables, also showed that the forecast error of producer price index is lower than the forecast error of consumer price index. Conclusion: In sum, the results of this study verify the importance of accounting information at macroeconomic level, and that this information should be used in macro-level decision-making.
Machine summary:
روش: با توجه به ويژگيهاي پیچیده و غیرخطی تورم در پژوهش حاضر بر قدرت پیشبینی الگوهای مختلف هوش مصنوعی شامل شبکه عصبی، الگوریتم ژنتیک و پرواز پرندگان تکیه شده است.
اهمیت نرخ تورم و رفتار غیرخطی، چندبُعدی و پیچیده آن در طی سالهای گذشته منجر به این شده است تا پژوهشگران مختلفی نظیر شهیکی تاش و همکاران (1392) و زراء نژاد و شهرام (1388) با استفاده از الگوها و متغیرهای مختلف به الگوسازی آن بپردازند، با وجود این، وجه تمایز پژوهش حاضر با سایر مطالعات تجربی پیشبینی تورم، ریشه در چهار عامل دارد: اول اینکه این پژوهش برای اولین بار از شاخصهای مختلف حسابداری در پیشبینی نرخ تورم استفاده کرده است که پیوند نوین میان حسابداری و اقتصاد با عنوان حسابداری کلان محسوب میشود.
به همین دلیل در این پژوهش با استفاده از الگوهای غیرخطی شبکه عصبی و ترکیب آن با الگوریتمهای ژنتیک و پرواز پرندگان به پیشبینی نرخ تورم با استفاده از اطلاعات صورتهای مالی شرکتهای پذیرفتهشده در بورس اوراق بهادار تهران پرداختهشده است.
لذا، با توجه به الگوهای مختلف طراحیشده، سؤال دوم پژوهش به این صورت طراحی میگردد: سوال 2: الگوریتم پیشنهادی (ترکیب الگوریتم ژنتیک و الگوریتم پرواز پرندگان) تا چه میزانی قادر به بهینهسازی شبکه عصبی در پیشبینی متغیرهای عمدة اقتصادی است؟ نظریههای مرتبط با ارتباط دادههای حسابداری و سطح تورم در این زمینه میتوان به دو نظریه تقاضای سرمایهگذاری و تقاضای مصرف اشاره کرد.
Predicting Tehran stock market aggregate index with particle swarm optimization and comparison with traditional models, Journal of Accounting Knowledge.