مدل های پیش بینی سودآوری و جریان نقد با استفاده از شبکه های عصبی و یادگیری

رشد فناوری های هوش مصنوعی در دهه اخیر موجب تحول بنیادین در تحلیل داده های مالی و حسابداری شده است. در این مقاله مروری، به بررسی کاربرد شبکه های عصبی مصنوعی و مدل های یادگیری عمیق در پیش بینی سودآوری و جریان نقد شرکت ها پرداخته می شود. با مرور پژوهش های داخلی و خارجی، مزایا و محدودیت های این مدل ها در محیط های مالی مختلف، از جمله ایران، مورد تحلیل قرار گرفته و چارچوبی برای پژوهش های آتی پیشنهاد می شود. مدل های مبتنی بر یادگیری عمیق، به ویژه شبکه های بازگشتی (RNN) و شبکه های حافظه بلندمدت-کوتاه مدت (LSTM)، توانایی بی نظیری در مدل سازی روابط غیرخطی پیچیده و وابستگی های زمانی موجود در سری های زمانی مالی از خود نشان داده اند. این توانایی، دقت پیش بینی را نسبت به روش های سنتی رگرسیون افزایش داده و امکان اتخاذ تصمیمات استراتژیک مبتنی بر داده های عمیق تر را فراهم می آورد.

کلیدواژه ها:

هوش مصنوعی ، شبکه های عصبی ، یادگیری عمیق ، جریان نقد ، حسابداری پیش بینی گر