سامانه پشتیبانی خدمات اطلاعات

  اخبار و اعلانات

 آمار

تعداد نشریات162
تعداد شماره‌ها6,692
تعداد مقالات72,229
تعداد مشاهده مقاله129,178,986
تعداد دریافت فایل اصل مقاله102,007,017
ایزدی, مریم, آشتاب, علی, زواری رضایی, اکبر. (1404). بررسی و تطبیق قدرت تخمین مدل‌های یادگیری ماشین و مدل‌های آماری در پیش‌بینی جهت تغییرات اجزای سود و انتخاب مدل بهینه. , 27(1), 31-57. doi: 10.22059/frj.2024.373472.1007580
مریم ایزدی; علی آشتاب; اکبر زواری رضایی. "بررسی و تطبیق قدرت تخمین مدل‌های یادگیری ماشین و مدل‌های آماری در پیش‌بینی جهت تغییرات اجزای سود و انتخاب مدل بهینه". , 27, 1, 1404, 31-57. doi: 10.22059/frj.2024.373472.1007580
ایزدی, مریم, آشتاب, علی, زواری رضایی, اکبر. (1404). 'بررسی و تطبیق قدرت تخمین مدل‌های یادگیری ماشین و مدل‌های آماری در پیش‌بینی جهت تغییرات اجزای سود و انتخاب مدل بهینه', , 27(1), pp. 31-57. doi: 10.22059/frj.2024.373472.1007580
ایزدی, مریم, آشتاب, علی, زواری رضایی, اکبر. بررسی و تطبیق قدرت تخمین مدل‌های یادگیری ماشین و مدل‌های آماری در پیش‌بینی جهت تغییرات اجزای سود و انتخاب مدل بهینه. , 1404; 27(1): 31-57. doi: 10.22059/frj.2024.373472.1007580

بررسی و تطبیق قدرت تخمین مدل‌های یادگیری ماشین و مدل‌های آماری در پیش‌بینی جهت تغییرات اجزای سود و انتخاب مدل بهینه

تحقیقات مالی
دوره 27، شماره 1، 1404، صفحه 31-57    اصل مقاله (636.33 K)
نوع مقاله: مقاله علمی پژوهشی
شناسه دیجیتال (DOI): 10.22059/frj.2024.373472.1007580
نویسندگان
مریم ایزدی1؛ علی آشتاب* 2؛ اکبر زواری رضایی2
1کارشناس ارشد، گروه مدیریت حسابداری، دانشکده اقتصاد و مدیریت، دانشگاه ارومیه، ارومیه، ایران.
2استادیار، گروه حسابداری، دانشکده اقتصاد و مدیریت، دانشگاه ارومیه، ارومیه، ایران.
چکیده
هدف: هدف از پیش‌بینی تغییرات سود، آگاهی‌دادن به سرمایه‌گذاران، تحلیلگران مالی، مدیران، مسئولان بازار سهام، اعتباردهندگان و سایر استفاده‌کنندگان، به‌منظور قضاوت‌کردن واحد تجاری، تصمیم‌گیری برای خرید یا فروش سهام و اعطا یاعدم اعطای وام و اعتبارات است. این پژوهش با هدف ارزیابی عملکرد و مقایسۀ دقت پیش‌بینی مدل‌های یادگیری ماشین و مدل‌های آماری، برای پیش‌بینی جهت تغییرات سه مؤلفه سود، از جمله سود (زیان) خالص، سود (زیان) ناخالص و سود (زیان) عملیاتی اجرا شده است.
روش: در این پژوهش با استفاده از اطلاعات مالی ۱۳۹ شرکت تولیدی پذیرفته شده در بورس اوراق بهادار تهران، در دورۀ زمانی ۱۵ ساله، طی سال‌های ۱۳۸۷ تا ۱۴۰۱ و با به‌کارگیری ۲۵ مدل یادگیری ماشین و ۱۰ مدل آماری، به بررسی مقایسۀ کارایی مدل‌های یادگیری ماشین و مدل‌های آماری برای پیش‌بینی جهت تغییرات اجزای سود از جمله سود (زیان) خالص، سود (زیان) ناخالص و سود (زیان) عملیاتی پرداخته شده است. در پژوهش حاضر از نرم‌افزار اکسل برای مرتب‌سازی داده‌ها، نرم‌افزار ایویوز برای استخراج آمار توصیفی و از نرم‌افزارهای داده‌کاوی اس‌پی‌اس‌اس مدلر و رپیدماینر برای مدل‌سازی پیش‌بینی جهت تغییرات سود استفاده شده است. ارزیابی عملکرد مدل‌های یادگیری ماشین، از طریق دو معیار دقت پیش‌بینی مدل (accuracy) و ناحیه زیر منحنی (AUC) و ارزیابی عملکرد مدل‌های آماری تنها با معیار دقت پیش‌بینی مدل انجام شده است. در نهایت، به‌منظور انتخاب مدلی که بهترین عملکرد را برای پیش‌بینی جهت تغییرات سود (زیان) خالص، سود (زیان) ناخالص و سود (زیان) عملیاتی دارد، از میان مدل‌های یادگیری ماشین، به انتخاب مدل بهینه با استفاده از منحنی راک پرداخته شده است.
یافته‌ها: پس از محاسبۀ متوسط دقت پیش‌بینی مدل‌های یادگیری ماشین و مدل‌های آماری، مشخص شد که متوسط دقت پیش‌بینی مدل‌های یادگیری ماشین برای متغیرهای وابسته (درصد تغییرات سود (زیان) خالص، درصد تغییرات سود (زیان) ناخالص و درصد تغییرات سود (زیان) عملیاتی)، از ۸۳ درصد تا ۹۳ درصد و متوسط دقت پیش‌بینی مدل‌های آماری برای هر سه مؤلفه سود، از ۷۶ درصد تا ۸۳ درصد متغیر است. پس از احراز نرمال نبودن متوسط دقت مدل‌های یادگیری ماشین و مدل‌های آماری برای اجزای سود توسط آزمون کلموگروف اسمیرنف، از آزمون ناپارامتریک یومن ویتنی برای مقایسۀ دقت پیش‌بینی مدل‌های یادگیری ماشین و مدل‌های آماری برای پیش‌بینی جهت تغییرات اجزای سود استفاده شد.
نتیجه‌گیری: نتایج آزمون فرضیه‌های پژوهش، بیانگر کارایی بالای مدل‌های یادگیری ماشین برای پیش‌بینی جهت تغییرات سود (زیان) خالص، سود (زیان) ناخالص و سود (زیان) عملیاتی نسبت به مدل‌های آماری است. نتایج منحنی راک نیز نشانگر آن است که مدل درخت تصمیم با دقت پیش‌بینی معادل ۱۰۰ درصد، برای پیش‌بینی جهت تغییرات سود (زیان) خالص و دقت پیش‌بینی معادل ۳۸/۹۹ درصد برای پیش‌بینی جهت تغییرات سود (زیان) ناخالص و مدل استنتاج قوانین با دقت پیش‌بینی معادل ۷۶/۸۶ درصد در پیش‌بینی جهت تغییرات سود (زیان) عملیاتی، بهترین عملکرد را داشتند و به‌عنوان مدل بهینه انتخاب شدند.
 
کلیدواژه‌ها
جهت تغییرات سود؛ مدل‌های آماری؛ مدل‌های یادگیری ماشین
عنوان مقاله [English]
Comparing the Estimation Power of Machine Learning Models and Statistical Models in Predicting Profit Component Changes and Selecting the Optimal Model
نویسندگان [English]
Maryam Izadi1؛ Ali Ashtab2؛ Akbar Zavari Rezaei2
1MSc., Department of Accounting Management, Faculty of Economics and Management, Urmia University, Urmia, Iran.
2Assistant Prof, Department of Accounting, Faculty of Economics and Management, Urmia University, Urmia, Iran.
چکیده [English]
Objective
The aim of predicting profit changes is to create awareness for investors, financial analysts, managers, stock market officials, creditors, and other users to judge the business unit, make decisions about buying or selling stocks, or granting or denying loans and credits. The goal of this research is to evaluate the performance and compare the accuracy of machine learning models and statistical models in predicting the direction of changes in three profit components including net profit (loss), gross profit (loss), and operating profit (loss).
 
Methods
In this research, using the financial information of 139 manufacturing companies listed on the Tehran Stock Exchange over a 15-year period, from 2008 to 2022, and employing 25 machine learning models and 10 statistical models, the efficiency of machine learning models and statistical models in predicting the direction of changes in profit components including net profit (loss), gross profit (loss), and operating profit (loss) has been compared. In the present study, Excel software was used for data sorting, Eviews software for extracting descriptive statistics, and data mining software SPSS Modeler and Rapidminer for predicting profit changes. The performance of machine learning models was evaluated using two criteria: accuracy (predictive accuracy of the model) and AUC (area under the curve), and the performance of statistical models was evaluated only by the accuracy criterion. Finally, in order to select the model with the best performance for predicting the direction of changes in net profit (loss), gross profit (loss), and operating profit (loss), the best model among the machine learning models was chosen using the ROC curve.
 
Results
After calculating the average predictive accuracy of machine learning and statistical models, it was found that the average predictive accuracy of machine learning models for dependent variables including the percentage of changes in net profit (loss), percentage of changes in gross profit (loss), and percentage of changes in operating profit (loss) ranges from 83% to 93%. It was also found that the average predictive accuracy of statistical models for all three profit components varies from 76% to 83%. After confirming the non-normality of the average accuracy of machine learning and statistical models for profit components using the Kolmogorov-Smirnov test, the non-parametric Mann-Whitney U test was used to compare the predictive accuracy of machine learning models and statistical models in predicting the direction of changes in profit components.
 
Conclusion
The results of the research hypotheses test indicate the high efficiency of machine learning models in predicting the direction of changes in net profit (loss), gross profit (loss), and operating profit (loss), compared to statistical models. The ROC curve results indicate that the decision tree model achieved a predictive accuracy of 100% in forecasting the direction of changes in net profit (loss) and 99.38% accuracy in predicting the direction of changes in gross profit (loss). Additionally, the rule-based inference model demonstrated a predictive accuracy of 86.76% for forecasting the direction of changes in operating profit (loss). These models exhibited the best performance and were selected as the optimal models.
کلیدواژه‌ها [English]
Profit change direction, Statistical models, Machine learning models
مراجع
اسدی، مسعود؛ میربرگ کار، سیدمظفر و چیرانی، ابراهیم (1401). ارائه یک مدل شبکه عصبی برای پیش‌بینی سود شرکت‌های پذیرفته شده در بورس اوراق بهادار تهران و مقایسه دقت آن با مدل‌های HDZ و ARIMA. حسابداری مدیریت. 15(54)، 163-180.‎

آشتاب، علی؛ حقیقت، حمید و کردستانی، غلامرضا (1396). مقایسۀ دقت مدل‌های پیش‌بینی بحران مالی و تأثیر آن بر ابزارهای مدیریت سود. بررسی‌‌های حسابداری و حسابرسی، 24(2)، 147- 172.

باقری، فاطمه؛ علیزاده مجد، حکیمه؛ مهربخش، زهرا و زیارتبان، مجید (1393). استفاده از الگوریتم‌های داده‌کاوی در بررسی عوامل مؤثر بر پیش‌بینی وضعیت بدو تولد نوزادان. فصلنامه علمی پژوهشی زیست پزشکی جرجانی، ۲ (۲)، ۶۸-۵۹.

توکلی، سامان؛ آشتاب، علی (1402). مقایسه کارایی مدل‌های یادگیری ماشین و مدل‌های آماری در پیش‌بینی ریسک مالی. راهبرد مدیریت مالی، 11(1)، 53-76.

حیدری، مهدی و امیری، امیررضا (1401). بررسی قدرت مدل‌های مبتنی بر هوش مصنوعی در پیش‌بینی روند قیمت سهام بورس اوراق بهادار تهران، تحقیقات مالی. 24(4)، 602-623.

قادری، اقبال؛ امینی، پیمان و محمدی ملقرنی، عطاءالله (1399). به‌کارگیری الگو ترکیبی شبکه‌های عصبی مصنوعی با الگوریتم‌های فراکاوشی (ICA, PSO) در پیش‌بینی مدیریت سود. پژوهش‌های تجربی حسابداری، 10(2)، 213-248.‎

مرادی، بابک؛ بحری ثالث، جمال؛ جبارزاده کنگرلویی، سعید و آشتاب، علی (1401). تبیین و ارائه مدلی برای پیش‌بینی نقدشوندگی سهام در بورس اوراق بهادار تهران، تحقیقات مالی. 24(1)، 134-156.

میرزایی، سجاد؛ آشتاب، علی و زواری رضایی، اکبر (1402). مقایسۀ کارایی مدل‌‌های آماری و یادگیری ‌‌ماشین و انتخاب مدل بهینه در پیش‌‌بینی سود خالص و جریان‏های نقدی عملیاتی، مدیریت دارایی و تأمین مالی. 11(2)، 53-74.

نوراحمدی، مرضیه و صادقی، حجت الله (1401). یادگیری ماشین مبتنی بر رویکرد سلسله‌مراتبی برابری ریسک (مطالعه موردی: پرتفولیو سهام متشکل از 30 شرکت برتر بورس اوراق بهادار تهران)، تحقیقات مالی، 24(2)، 236-256.

واعظ، علی؛ منتظر حجت، امیرحسین و بنایی قدیم، رحیم (1396). تأثیر ابعاد حساسیت سود (ضریب واکنش سود، نوسان‌های غیرعادی بازده و خطای پیش‏بینی سود) بر پاداش هیئت مدیره، تحقیقات مالی، 19(4)، 615-642.

 

References

Anand, V., Brunner, R., Ikegwu, K. & Sougiannis, T. (2019). Predicting profitability using machine learning. Available at SSRN 3466478.

Asadi, M., Mirbargkar, S. & Chirani, E. (2022). Providing a neural network model to predict the profits of companies listed on the Tehran Stock Exchange and comparing its accuracy with HDZ and ARIMA models‏‏. Management Accounting, 15(54), 163-180. (in Persian)

Ashtab, A., Haghighat, H. & Kordestani, G. (2017). Comparison of Financial Distress Prediction Models Accuracy and its Effect on Earnings Management Tools. Accounting and Auditing Review, 24(2): 147-172. (in Persian)

Bagheri F, Alizadeh Majd H, Mehrbakhsh Z, Ziaratban M(2014). Use of data mining algorithms in assessing the affecting factors on predicting the health status of newborns. Jorjani Biomed Journal, 2 (2), 59- 68. (in Persian)

Barboza, F., Kimura, H. & Altman, E. (2017). Machine learning models and bankruptcy prediction. Expert Systems with Applications, 83, 405-417.

Bengio, Y., Courville, A. & Vincent, P. (2013). Representation learning: A review and new perspectives. IEEE transactions on pattern analysis and machine intelligence, 35(8), 1798-1828.

Bishop, C. M. & Nasrabadi, N. M. (2006). Pattern recognition and machine learning, 4(4), 738.‏ New York: springer

Breuel, T. & Shafait, F. (2010). Automlp: Simple, effective, fully automated learning rate and size adjustment. In The Learning Workshop (Vol. 4, p. 51). Cliff Lodge.

Caruana, R., Lou, Y., Gehrke, J., Koch, P., Sturm, M. & Elhadad, N. (2015). Intelligible models for healthcare: Predicting pneumonia risk and hospital 30-day readmission. In Proceedings of the 21th ACM SIGKDD international conference on knowledge discovery and data mining: 1721-1730.

Chatfield, C. & Xing, H. (2019). The analysis of time series: an introduction with R. CRC press.

Chen, X., Cho, Y. H., Dou, Y. & Lev, B. (2022). Predicting future earnings changes using machine learning and detailed financial data. Journal of Accounting Research, 60(2), 467-515.

Dastile, X., Celik, T. & Potsane, M. (2020). Statistical and machine learning models in credit scoring: A systematic literature survey. Applied Soft Computing, 91, 106263.

Fayyad, U., Piatetsky-Shapiro, G. & Smyth, P. (1996). From data mining to knowledge discovery in databases. AI magazine, 17(3), 37-37.

Francis, J., LaFond, R., Olsson, P. & Schipper, K. (2005). The market pricing of accruals quality. Journal of accounting and economics, 39(2), 295-327.

Freeman, R. N., Ohlson, J. A. & Penman, S. H. (1982). Book rate-of-return and prediction of earnings changes: An empirical investigation. Journal of accounting research, 639-653.

Ghaderi, E., Amini, P. & Mohammadi Molqarny, A. (2020). Application of Artificial Neural Network Hybrid Models with Metaheuristic Algorithms (PSO, ICA) in Earnings Management Forecast. Empirical Research in Accounting, 10(2), 213-248. doi: 10.22051/jera.2018.19246.1952 (in Persian)

Gelman, A., Hill, J. & Vehtari, A. (2020). Regression and other stories. Cambridge University Press.

Gerakos, J. & Gramacy, R. (2013). Regression-based earnings forecasts. Chicago Booth Research Paper, 12-26.

Gitman, L. J. (1998). Principles of managerial finance. Addison Wesley Longman Higher Education.

Heidari, M. & Amiri, A.R. (2023). Inspecting the Predictive Power of Artificial Intelligence Models in Predicting the Stock Price Trend in Tehran Stock Exchange, Financial Research Journal, 24(4), 602-623. (in Persian)

Huang, G. B., Wang, D. H. & Lan, Y. (2011). Extreme learning machines: a survey. International journal of machine learning and cybernetics, 2, 107-122.

Jones, S., Moser, W. J. & Wieland, M. M. (2023). Machine learning and the prediction of changes in profitability. Contemporary Accounting Research, 40(4), 2643-2672.

Lev, B. & Gu, F. (2016). The end of accounting and the path forward for investors and managers. John Wiley & Sons.

Li, K. K. & Mohanram, P. (2014). Evaluating cross-sectional forecasting models for implied cost of capital. Review of Accounting Studies, 19, 1152-1185.

Martins, A. I. (2022). Earnings prediction using machine learning methods and analyst comparison (Doctoral dissertation).

Mierswa, I. (2006, July). Evolutionary learning with kernels: A generic solution for large margin problems. In Proceedings of the 8th annual conference on genetic and evolutionary computation, 1553-1560.

Mills, T. C. (2019). The econometric modelling of financial time series. Cambridge University Press

Mirzaei, S., Ashtab, A., & Zavari Rezaei, A. (2023). Comparing the Efficiency of Statistical Models and Machine-Learning Models and Choosing the Optimal Model for Predicting Net Profit and Operating Cash Flows. Journal of Asset Management and Financing, 11(2), 53-74. (in Persian)

Monahan, S. J. (2018). Financial statement analysis and earnings forecasting. Foundations and Trends® in Accounting, 12(2), 105-215.

Montgomery, D. C., Jennings, C. L. & Kulahci, M. (2019). Introduction to time series analysis and forecasting. John Wiley & Sons.

Moradi, B., Bahri Sales, J., Jabarzadeh Kangharlui, Said & Ashtab, A. (2022). Explaining and Proposing a Market Liquidity Prediction Model in Tehran Stock Exchange, Financial Research Journal, 24(1), 134-156. (in Persian)

Mullainathan, S. & Spiess, J. (2017). Machine learning: an applied econometric approach. Journal of Economic Perspectives, 31(2), 87-106.

Nourahmadi, M. & Sadeghi, H. (2022). A Machine Learning-Based Hierarchical Risk Parity Approach: A Case Study of Portfolio Consisting of Stocks of the Top 30 Companies on the Tehran Stock Exchange, Financial Research Journal, 24(2), 236-256. (in Persian)

Ou, J. A. & Penman, S. H. (1989). Financial statement analysis and the prediction of stock returns. Journal of accounting and economics, 11(4), 295-329.

Parlina, N. D. & Budianto, E. (2021). Implementation of cash flow as a measuring tool in predicting future net income: (case study at kedai nyobian 8 daily period september–october 2020). Journal of management, accounting, general finance and international economic issues, 1(1), 16-24.

Petropoulos, A., Siakoulis, V., Stavroulakis, E. & Vlachogiannakis, N. E. (2020). Predicting bank insolvencies using machine learning techniques. International Journal of Forecasting, 36(3), 1092-1113.

Popescu, M. C., Balas, V. E., Perescu-Popescu, L. & Mastorakis, N. (2009). Multilayer perceptron and neural networks. WSEAS Transactions on Circuits and Systems, 8(7), 579-588.

Raschka, S. & Mirjalili, V. (2019). Python machine learning: Machine learning and deep learning with Python, scikit-learn, and TensorFlow 2. Packt Publishing Ltd.

Render, B. & Stair Jr, R. M. (2016). Quantitative Analysis for Management, 12e. Pearson Education India.

Rudin, C. (2019). Stop explaining black box machine learning models for high stakes decisions and use interpretable models instead. Nature machine intelligence, 1(5), 206-215.

Schipper, K. & Vincent, L. (2003). Earnings quality. Accounting horizons, 17, 97-110.

Tavakoli, S. & Ashtab, A. (1402). Comparing the effectiveness of machine learning models and statistical models in predicting financial risk. Financial management strategy, 11(1), 53-76. (in Persian)

Urso, A., Fiannaca, A., La Rosa, M., Ravì, V. & Rizzo, R. (2018). Data mining: Prediction methods. Encycl. Bioinforma. Comput. Biol. ABC Bioinforma, 1, 3.

Vaez, S.A., Montazer Hojat, A.H. & Ghadim, R.B. (2017). The Effect of Profit Sensitivity Dimensions (Earnings Response Coefficient, Returns Abnormal Fluctuations and Earning Prediction Error) on Board of Director’s Compensation. Financial Research Journal, 19(4), 615-642. (in Persian)

Wahlen, J. M. & Wieland, M. M. (2011). Can financial statement analysis beat consensus analysts’ recommendations? Review of Accounting Studies, 16, 89-115.

آمار
تعداد مشاهده مقاله: 389
تعداد دریافت فایل اصل مقاله: 89





سامانه مدیریت نشریات علمی. قدرت گرفته از سیناوب