مقایسه توان پیش بینی مدیریت سود با استفاده از روشهای شبکه عصبی GMDH و رگرسیون چند متغیره
Publish place: اولین کنفرانس بین المللی ابزار و تکنیکهای مدیریت
Publish Year: 1393
نوع سند: مقاله کنفرانسی
زبان: Persian
View: 309
This Paper With 22 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
این Paper در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
MANAGTOOLS01_381
تاریخ نمایه سازی: 9 مرداد 1395
Abstract:
در این تحقیق مدیریت سود با استفاده از شبکه عصبی GMDH و مبتنی بر 4 روش؛ TA سود و زیانی تعدیل شده، TA ترازنامه ای، مدل جونز تعدیل شده و TA سود و زیانی، الگوسازی و پیش بینی شده است. در این تحقیق از داده های 111شرکت پذیرفته شده در بورس اوراق بهادار تهران از سال 1831 الی 1831 به صورت سالانه مورد استفاده قرار گرفته است. نتایج نشان داد که متغیرهای؛ سود خالص پس از کسر مالیات، نسب p/b ، تغییرات درآمد، تغییرات حصه جاری بدهی هایبلندمدت ، وجوه نقد عملیاتی ، ناخالص دارایی های ثابت تقسیم بر دارایی های اول دوره دارای اثر مضاعف، و متغیر های وجوه نقد عملیاتی،سود خالص پس از کسر مالیات، نسبت های p/b ، p/E ، تغییرات وجوه نقد، ناخالص دارایی های ثابت تقسیم بر دارایی های اول دوره ، یک تقسیم بر دارایی های اول دوره، تغییرات حسابهای دریافتنی، تغییرات درآمد، تغییراتدرآمد به کسر حسابهای دریافتنی تقسیم بر دارایی های اول دوره جزء متغیرهای موثر و متغیر های وجوه نقد و تغییرات دارایی ها و خالص دارایی ثابت ، تغییرات حسابهای دریافتنی ، تغییرات درآمد به کسر حسابهای دریافتنی تقسیم بر دارایی اول دوره، و نسبت های p/b ، p/E متغیرهای حذف شده در هر 4 روش مورد بررسی بوده اند. بر این اساس سود خالص پساز کسر مالیات در اقلام تعهدی کل، به عنوان مهمترین متغیر و TA سود و زیانی، بهترین روش از نظر معیار ارزیابی خطا گردید. همچنین نتایج نشان دهنده برتری معنی دار شبکه عصبی در پیش بینی مدیریت سود نسبت به رگرسیون چند متغیره می باشد.
Keywords:
Authors
مراجع و منابع این Paper:
لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :