2024/12/14 by sharafkhani, javad, bidari, Muhammad ali
Business, Management and Accounting · Computer Science · Decision Sciences · #Deep Learning #Financial Distress and Bankruptcy Prediction #Fraudulent Financial Statements #Imbalanced Data Classification Techniques #Long Short-Term Memory (LSTM) Technique #Stock Market Forecasting Methods
paper · doi:10.71818/ecj.2025.1193431
openalex publication_date 2024/12/14 · openalex created_date 2025/11/05 · openalex updated_date 2026/07/01
هدف پژوهش حاضر کشف صورت های مالی متقلبانه براساس تکنیک یادگیری عمیق حافظه طولانی کوتاه مدت در شرکت های پذیرفته شده در بورس اوراق بهادار تهران و مقایسه نتایج حاصل از آن با سایر الگوریتم های یادگیری عمیق می باشد. در پژوهش حاضر از چهار الگوریتم یادگیری عمیق ( شامل الگوریتم های حافظه طولانی کوتاه مدت ( LSTM )، ماشین بردار پشتیبان( SVM )، شبکه عصبی پیچشی( CNN ) و شبکه عصبی بازگشتی ( RNN )) و همچنین جهت انتخاب متغیرهای نهایی پژوهش از روش آزمون مقایسه میانگین دو نمونه جهت ایجاد مدل استفاده شده است . نتایج حاصل از الگوریتم های یادگیری عمیق نشان می دهد که صحت کلی الگوریتم های LSTM ، SVM ، CNN و RNN به ترتیب 98.6 %، 88.4 %، 81.3 % و 94.4 % می باشد که نشان دهنده این است الگوریتم LSTM بهترین عملکرد و الگوریتم CNN بدترین عملکرد را در کشف شرکت های دارای صورت های مالی متقلبانه دارد. بنابراین در شرکت های پذیرفته شده در بورس اوراق بهادار تهران الگوریتم LSTM کاراترین مدل را برای کشف صورت های مالی متقلبانه فراهم می کند. یافته های پژوهش حاضر می تواند برای سهامداران، اعتباردهندگان، تحلیل گران و سایر مشارکت کنندگان در بازار سرمایه اطلاعات سودمندی را در بهبود پیش بینی صورت های مالی متقلبانه و کاهش خطا در اتخاذ تصمیمات مبتنی بر اطلاعات صورت های مالی، ارزیابی بهتر عملکرد شرکت بر مبنای اطلاعات، اتخاذ استراتژي هاي معاملاتی بهینه و شناسایی فرصت هاي مناسب خرید و فروش سهام بر مبنای اطلاعات صورت های مالی فراهم کند.