این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
تحقیقات مالی، جلد ۲۷، شماره ۱، صفحات ۳۱-۵۷
عنوان فارسی بررسی و تطبیق قدرت تخمین مدل‌های یادگیری ماشین و مدل‌های آماری در پیش‌بینی جهت تغییرات اجزای سود و انتخاب مدل بهینه
چکیده فارسی مقاله 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 139 شرکت تولیدی پذیرفته شده در بورس اوراق بهادار تهران، در دورۀ زمانی 15 ساله، طی سال‌های 1387 تا 1401 و با به‌کارگیری 25 مدل یادگیری ماشین و 10 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 83 درصد تا 93 درصد و متوسط دقت پیش‌بینی مدل‌های آماری برای هر سه مؤلفه سود، از 76 درصد تا 83 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 100 درصد، برای پیش‌بینی جهت تغییرات سود (زیان) خالص و دقت پیش‌بینی معادل 38/99 درصد برای پیش‌بینی جهت تغییرات سود (زیان) ناخالص و مدل استنتاج قوانین با دقت پیش‌بینی معادل 76/86 درصد در پیش‌بینی جهت تغییرات سود (زیان) عملیاتی، بهترین عملکرد را داشتند و به‌عنوان مدل بهینه انتخاب شدند.
 
کلیدواژه‌های فارسی مقاله جهت تغییرات سود،مدل‌های آماری،مدل‌های یادگیری ماشین،
عنوان انگلیسی Comparing the Estimation Power of Machine Learning Models and Statistical Models in Predicting Profit Component Changes and Selecting the Optimal Model
چکیده انگلیسی مقاله 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.
کلیدواژه‌های انگلیسی مقاله جهت تغییرات سود,مدل‌های آماری,مدل‌های یادگیری ماشین
نویسندگان مقاله مریم ایزدی |
کارشناس ارشد، گروه مدیریت حسابداری، دانشکده اقتصاد و مدیریت، دانشگاه ارومیه، ارومیه، ایران.

علی آشتاب |
استادیار، گروه حسابداری، دانشکده اقتصاد و مدیریت، دانشگاه ارومیه، ارومیه، ایران.

اکبر زواری رضایی |
استادیار، گروه حسابداری، دانشکده اقتصاد و مدیریت، دانشگاه ارومیه، ارومیه، ایران.

نشانی اینترنتی https://jfr.ut.ac.ir/article_97316_725cb377eeb97a6d31b89276b6287c69.pdf
فایل مقاله فایلی برای مقاله ذخیره نشده است
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات