تدوين مدل كشف تقلب صورتهاي مالي با استفاده از روش هاي شبكه عصبي مصنوعي و ماشين بردار پشتيباني در شركت‌هاي پذيرفته شده در بورس اوراق بهادر تهران

Formulation of Financial Statement Fraud Detection Model Using Artificial Neural Network and Support Vector Machine Approaches in Companies Listed in Tehran Bahador Stock Exchange

امروزه با توجه به گسترش روزافزون بازارهاي مالي و نياز به جلب سرمايه‌گذاران داخلي و خارجي يكي از مهم‌ترين دغدغه‌هاي هر شركت در راستاي تأمين منابع مالي افشاي صحيح اطلاعات مالي است.هدف از اين پژوهش تدوين مدل كشف تقلب صورتهاي مالي با استفاده از روش هاي شبكه عصبي مصنوعي و ماشين بردار پشتيباني در شركت‌هاي پذيرفته شده در بورس اوراق بهادر تهران بود. پژوهش حاضر از نوع پژوهش‌هاي كاربردي و تجربي- همبستگي است. جامعه آماري شامل شركت‌هاي پذيرفته شده در بورس اوراق بهادر تهران در دوره زماني 1397-1392است. تحقيقات اخير مشخص كرده است كه سرمايه‌گذاران در فرايند تصميم‌گيري، شركت‌هايي را انتخاب مي‌كنند كه سود آن‌ها از پايداري بالاتر و درواقع از كيفيت بالاتري برخوردار باشد. نتايج نشان داد كه در بخش آموزش قدرت پيش بيني الگوريتم ماشين بردار پشتيبان حدود 86 درصد و در آزمون حدود 82 درصد بوده است. همچنين قدرت پيش بيني الگوريتم شبكه عصبي در بخش آموزش 81 درصد و در آزمون 78 درصد بوده است.

Formulation of Financial Statement Fraud Detection Model Using Artificial Neural Network and Support Vector Machine Approaches in Companies Listed in Tehran Bahador Stock Exchange Abstract: Nowadays, due to the increasing expansion of financial markets and the need to attract domestic and foreign investors, one of the most important concerns of any company is to finance the correct disclosure of financial information. Artificial and support vector machines were listed at companies listed on the Tehran Stock Exchange. The present study is a kind of applied and empirical-correlation research. The statistical population includes the companies listed in the Tehran Stock Exchange during the period 1972-1999. Recent research has shown that investors in the decision-making process select companies whose profitability is higher and in fact higher quality. The results showed that in the training section the predictive power of the support vector algorithm was about 86% and in the test about 82%. Also, the prediction power of neural network algorithm was 81% in training and 78% in test.