بررسی قدرت توضیحی اطلاعات حسابداری با استفاده از الگوهای خطی و غیرخطی در پیش-بینی رشد اقتصادی

هدف از پژوهش حاضر بررسی قدرت توضیحی اطلاعات حسابداری مالی با استفاده از الگوی­های خطی و غیرخطی در پیش ­بینی رشد اقتصادی است. پژوهش حاضر اقدام به مقایسه پیش ­بینی رشد اقتصادی با استفاده از رگرسیون دو مرحله­ای فاما-مکبث در قالب الگوی خطی و شبکه­های عصبی مبتنی بر الگوریتم ژنتیک و الگوریتم پرواز پرندگان در قالب الگوی غیرخطی نموده است. جامعه ­آماری این پژوهش شامل کلیه شرکت های پذیرفته شده در بورس اوراق بهادار تهران می­ باشد. بازه­زمانی انجام پژوهش سال­های ۱۳۸۴ تا ۱۳۹۷ است. روش اجرای پژوهش در الگوی خطی مبتنی بر داده­ های ترکیبی است که با تکنیک­ رگرسیون دو مرحله­ ای فاما-مک­بث و رویکرد مجموع پنجره های­ زمانی­ غلتان و رگرسیون ­آریما، اقدام به پیش ­بینی نرخ رشد­اقتصادی می ­نماید. سپس در الگوی غیرخطی در قالب داده­ های آموزش و داده ­های آزمون در شبکه­ های عصبی مبتنی بر الگوریتم ژنتیک و الگوریتم پرواز پرندگان اقدام به مقایسه با الگوی خطی رگرسیون دو مرحله ­ای فاما-مکبث شده است. شواهد نشان داد که الگوی­های خطی رگرسیون دو مرحله­ای فاما-مکبث قدرت توضیح بالاتری در پیش ­بینی نرخ رشد اقتصادی نسبت به الگوهای غیرخطی شبکه ­های عصبی مبتنی بر الگوریتم ژنتیک و الگوریتم پرواز پرندگان دارد و دلیل مناسبی برای تایید اطلاعات حسابداری مالی در نظریه حسابداری کلان است. نتایج در تصریح مدل سه عاملی فاما و فرنچ به مدل چهار عاملی پیشنهادی پژوهش حاضر، فرصت کسب سرمایه­ گذاری آتی را به پیشنهاد تئوری­Q افزایش داد. و ارتباط تنگانگی با اقتصاد آینده دارد. عامل مدیریت ، به صورت مثبت و عامل عملکرد به طور صورت منفی، اقتصاد آینده را پیش ­بینی می­کند.

Keywords:

Fama-Macbeth Two-Stage Regression , Neural Network , Genetic Algorithm , Bird Flight Algorithm , Eeconomic Growth. , رگرسیون دو مرحله ای فاما-مکبث , شبکه عصبی , الگوریتم ژنتیک , الگوریتم پرواز پرندگان , رشد اقتصادی.