پیش بینی سود حسابداری با استفاده از شبکه عصبی مصنوعی پرسپتون چند لایه (MLP) در مقایسه با شبکه عصبی مصنوعی توابع پایه شعاعی (RBF)

این پژوهش روشی قابل اعتماد برای پیش بینی سود با استفاده از هوش مصنوعی پیشنهاد می دهد. اکثر مطالعات انجام شده در این حوزه از پژوهش بر روی مدل های آماری و اقتصاد سنجی بوده است که ممکن است در هنگام برخورد با داده های مالی غیر خطی با مشکلات روبرو شوند. اگر چه در حال حاضر ثابت شده است که هوش مصنوعی در بسیاری از برنامه های کاربردی کسب و کار موفق بوده است، پژوهش های کمی در خصوص یکپارچه سازی تجزیه و تحلیل صورتهای مالی با استفاده از تکنیک های آن انجام شده است. در این مطالعه از تکنیک پرسپتون چندلایه (MLP) و توابع پایه شعاعی (RBF) بهره گیری شده است. بدین منظر هشت ویژگی از ویزگی های صورت سود و زیان شرکت های پذیرفته شده در بورس اوراق بهادار تهران از سال 1385 تا 1389 مورد بررسی قرار گرفته است. نتایج به دست آمده نشان می دهد که روش MLP و RBF به ترتیب بیانگر حدود 80 درصد و 82% کارایی هستند.

کلیدواژه ها:

پیش بیتی سود ، پرسپتون چندلایه ، توابع پایه شعاعی