تاثیر بهینه سازی پیش بینی سود بر حسابداری مالی

سیستم های اطلاعاتی حسابداری مالی یکی از زمینه های علمی هستند که در آنها الگوریتم های یادگیری عمیق و الگوریتم هایمبتنی بر ازدحام به تازگی مورد استفاده بیشتری قرار گرفته اند. با این حال، به دلیل پیچیدگی بیشتر ناشی از مجموعه داده هایگسترده، کاربرد این شبکه های ترکیبی چالش برانگیزتر شده است.روش: برای مقابله با این مسئله، ما روش جدیدی را معرفی می کنیم که الگوریتم بهینه سازی شامپ (chimp) تقویت شده با تنظیماتدوگانه (TAR-CHOA) را با حافظه طولانی کوتاه مدت عمیق ترکیب می کند تا سود را با استفاده از سیستم های اطلاعات حسابداریمالی پیش بینی کند.هدف: اصلی ترین سهم این تحقیق توسعه الگوریتم TAR-CHOA است که اثربخشی مدلهای پیش بینی سود را بهبود می بخشد.علاوه بر این، به دلیل نبود یک مجموعه داده مناسب برای این مسئله خاص، یک مجموعه داده جدید با استفاده از پانزده ورودیمبتنی بر مجموعه داده های بازار سهام چین از Kaggle ساخته شده است.یافته ها: در این مطالعه، پنج الگوریتم بهینه سازی مبتنی بر حافظه طولانی کوتاه مدت عمیق (DLSTM) را برای پیش بینی سودحسابداری مالی طراحی و ارزیابی کرده ایم. عملکرد مدل های مختلف برای پیش بینی سود حسابداری مالی ارزیابی و رتبه بندی شدهاست. بر اساس تحقیقات ما، بهترین مدل مبتنی بر الگوی یادگیری عمیق مدل DLSTM-TAR-CHOA است.یکی از محدودیتهای روش ما وابستگی آن به داده های تاریخی حسابداری مالی است که با این فرض عمل میکند که الگوها و روابطگذشته در آینده نیز ادامه خواهند یافت. علاوه بر این، لازم به ذکر است که اثربخشی مدلهای ما ممکن است بر اساس ویژگی ها ونوسانات مختلف بازارهای مالی متفاوت باشد. این محدودیت های شناسایی شده فرصت های بالقوهای برای تحقیقات آینده به منظوربررسی روشهای جایگزین و گسترش یافته های ما فراهم می کند.

کلیدواژه ها:

شبکه عصبی عمیق ، اطلاعات حسابداری مالی ، پیش بینی سود ، الگوریتم بهینه سازی شامپ (chimp)