الگوی تشخیص تقلب مالی تحت اجرای ارزیابی الگوریتم های مطلوبیت شبکه عصبی مصنوعی

هدف این مطالعه، مدل سازی تشخیص تقلب مالی شرکت ها تحت اجرای ارزیابی الگوریتم های مطلوبیت شبکه عصبی مصنوعی می باشد. در این مطالعه با استفاده از فرآیندهای برنامه ریزی مجذوری «QP» در الگوریتم های شبکه عصبی مصنوعی، تلاش شده است تا طی چندین مرحله براساس داده های زمانی ۱۳۹۲ تا ۱۴۰۱، اقدام به تعیین الگوریتم پایه در وهله ی اول و انتخاب پارامترهای تکنیکال شبکه عصبی مصنوعی در وهله ی دوم گردد. سپس با توسعه یک مدل تشخیصی براساس دو مقیاس آزمون و کنترل، الگوریتم هایی فر ابتکاری که بالاترین ضرایب دقت در پیش بینی صحت تقلب مالی را دارند، در سطح شرکت های بازار سرمایه مورد بررسی قرار گیرند. لذا براساس فرآیند نمونه گیری سیستماتیک، تعداد ۹۵ شرکت بورس اوراق بهادار انتخاب شدند تا براساس ۹۵۰ مشاهده (سال-شرکت)، حد فاصل شرکت های دارای سلامت مالی با شرکت های دارای احتمال تقلب مالی از طریق دهک بندی تعیین گردد و شرکت های قرار گرفته در دهک های دارای تقلب مالی، از طریق پارامترهای مطلوبیت شبکه عصبی مصنوعی مورد بررسی قرار گیرند. نتایج مطالعه نشان داد، الگوریتم یادگیری بدون نظارت که شامل مجموعه پارامترهای ارزیابی مبتنی بر الگوریتم فرا ابتکاری است، از صحت پیش بینی های مبتنی بر داده های برآورده شده بالاتری برخوردار می باشد. همچنین نتایج ناشی از صحت پیش بینی تقلب های مالی شرکت های دهک بندی شده براساس دو الگوریتم انتخابی ژنتیک و کلونی زنبور عسل نشان می دهد، الگوریتم کلونی زنبور عسل از ضریب دقت بالاتری در پیش بینی صحت احتمال تقلب شرکت های مورد بررسی برخوردار است.

کلیدواژه ها:

تقلب مالی ، شبکه عصبی مصنوعی ، برنامه ریزی مجذوری