بخشی از مقاله
چکیده
هدف این پژوهش ارائه تعیین عوامل موثر بر پیشبینی کیفیت افشاء با استفاده از شبکه عصبی مصنوعی است. بدین منظور، از متغیرهای مرتبط با نقدینگی، سودآوری، اهرمی، اندازه شرکت، حاکمیت شرکتی و سایر متغیرهای اثرگذار استفاده شده است. تعیین عوامل موثر، یک مسئله بهینهسازی است که در آن با انتخاب متغیرهایی مرتبطتر از مجموعه کل متغیرها، با الگوریتمهای طبقهبندی و خوشهبندی، باعث بهینهشدن هزینه های ساخت مدلبندی می شود.
بدین ترتیب با توجه به بررسیهای انجام شده، از مجموع 430 شرکت پذیرفته شده در بورس اوراق بهادار تهران، تعداد 59 شرکت به عنوان نمونه مورد بررسی در دوره زمانی 1382 الی 1390 انتخاب شد. در این پژوهش روش انتخاب متغیر - ویژگی - بر اساس الگوریتم بهینهسازی رقابت استعماری می باشد که هم در حالت نظارت شده و هم در حالت بدون ناظر کاربرد دارد. این روش زیر مجموعهای بهینه از متغیرها را با استفاده از چندین بار تکرار و بدون استفاده از الگوریتمهای یادگیری بهطوری که باعث کاهش افزونگی شود را پیدا میکند. بنابراین میتوان آن را به عنوان یک روش چند متغیره فیلترینگ ویژگی در نظر گرفت. نتایج بررسیهای انجام شده موثر بودن این روش، نسبت به روشهای مشابه پیشین را نشان میدهد.
مقدمه
افشای اطلاعات مالی با کیفیت، موجب کاهش عدم تقارن اطلاعاتی میان مدیریت و سرمایه گذاران شده و نقش مهمی را در کاهش هزینههای نمایندگی ایفا میکند. همچنین افشای اطلاعات با کیفیت منجر به کاهش هزینه سرمایه، افزایش حجم مبادلات و کاهش نوسانات بازده سهام میشود - کارامانو و وافیس، . - 2005 تعیین عوامل موثر بر پیشبینی کیفیت افشاء میتواند نقش مهمی در ارتقای سطح کیفی گزارشهای مالی داشته باشد.
در سالهای اخیر حجم اطلاعات رشد زیادی را داشته است و دادهکاوی به عنوان یک روش محاسباتی که شامل روشهای یادگیری ماشین، آمار و پایگاه داده است، پردازش و آنالیز این حجم بزرگ از داده ها را انجام میدهد - لیو و یو، . - 2005 هدف دادهکاوی استخراج دانش نهفته در دادهها و بیان آن در قالب یک ساختار قابل فهم است. یک مشکل بزرگ که همیشه با دادهکاوی همراه است، استفاده از آن به عنوان ابزار تشخیص الگو در مواردی که تعداد متغیرها بیشتر از تعداد الگوها است و باعث تعداد زیاد پارامترهای دسته بندی میشود.
بنابراین ممکن است دقت دستهبندی کاهش یابد و پیچیدگی محاسباتی به طور معناداری افزایش مییابد - تئودوریدس و کوتروماس، . - 2008 علاوه بر آن وجود افزونگی و دادههای غیر مرتبط باعث کاهش عمومیت نتایج بدست آمده با دادهکاوی میشود - طباخی و همکاران، . - 2014 یک راه معمول برای غلبه بر این مشکل کاهش ابعاد فضای ویژگی با استفاده از حذف ویژگیهای غیر مرتبط و اضافی و انتخاب یک زیر مجموعه مناسب به جای مجموعه کل متغیرها است.
انتخاب متغیر یک تکنیک مهم و پر کاربرد پردازش داده در دادهکاوی است و تاثیر مستقیمی در بهبود دقت و سرعت الگوریتمهای داده کاوی دارد - یو و لیو، 2003؛ لای و همکاران، 2006؛ الآکاوی و همکاران، 2008؛ لونگ و هونگ، . - 2010 هر چند که در زمینه عوامل مؤثر بر مطلوبیت گزارشگری مالی پژوهشهای متعددی انجام شده است - ریاحی بلکویی، 2001؛ لو و چن، 2009؛ عمر و سیمون، 2011؛ ستایش و کاظمنژاد، - 1391، اما در این زمینه، پژوهشهای اندکی با استفاده از شبکه عصبی انجام گرفته است.
این دیدگاه وجود دارد که استفاده از روشهای داده کاوی مانند شبکه عصبی مصنوعی که فاقد بسیاری از مفروضات آماری هستند، میتواند استنباطها و تحلیلها را بهبود دهد - تسای و چیو، . - 2009 در این پژوهش، هدف ارائه الگویی برای انتخاب متغیر بر اساس الگوریتم رقابت استعماری میباشد که تعیین عوامل موثر بر پیشبینی کیفیت افشاء را تعیین نماید. در بخش دوم درباره الگوریتم رقابت استعماری بحث خواهد شد و در بخش سوم روش جدید انتخاب ویژگی، ارائه میشود. در بخش چهارم به بیان یافتههای آزمایشهای انجام شده پرداخته میشود و در نهایت نتیجهگیری ارائه خواهد شد.
الگوریتم رقابت استعماری
الگوریتمرقابت استعماری یک الگوریتم نسبتاً جدید در زمینه محاسبات تکاملی است که برای نخستین بار در سال 2007 میلادی معرفی شده است - آتشپز-گرگری و لوکاس، . - 2007 این الگوریتم همانند دیگر الگوریتمهای تکاملی با تعدادی جمعیت اولیه تصادفی که هر کدام از آن ها یک کشور نامیده میشوند، شروع می شود. تعدادی از بهترین عناصر جمعیت - معادل برازندهترها در الگوریتم ژنتیک یا بهینه محلی در الگوریتم ازدحام ذرات - به عنوان امپریالیست انتخاب میشوند، باقیمانده جمعیت نیز به عنوان مستعمره در نظر گرفته میشوند.
برای شروع الگوریتم، تعداد nPop کشور اولیه را ایجاد میشود. nImp تا بهترین اعضای این جمعیت - کشورهای دارای کمترین مقدار تابع هزینه در حالت یافتن مینیمم - به عنوان امپریالیست انتخاب شده و باقیمانده - nPop-nImp - تا از کشورها، مستعمراتی را تشکیل میدهند که هر کدام به یک امپراطوری تعلق دارند. کشورهای استعمارگر با اعمال سیاست جذب - همگونسازی - در راستای محورهای مختلف بهینهسازی، کشورهای مستعمره را به سمت خود میکشند. شکل 1، شمای کلی این حرکت را نشان میدهد.
کشور مستعمره به اندازه x واحد در جهت خط واصل مستعمره به استعمارگر، حرکت کرده و به موقعیت جدید کشانده میشود. در شکل 1، فاصله میان استعمارگر و مستعمره با d نشان داده شده است و x نیز عددی تصادفی با توزیع یکنواخت - و یا هر توزیع مناسب دیگر - میباشد. یعنی: - 1 - 0 که در آن عددی بزرگتر از یک و نزدیک به 2 میباشد. یک انتخاب مناسب می تواند =2 باشد - اسماعیلزاده، . - 2013 در الگوریتم رقابت استعماری، با یک انحراف احتمالی، مستعمره در مسیر جذب استعمارگر پیش میرود.
این انحراف با زاویه نشان داده شده است که به صورت تصادفی و با توزیع یکنواخت انتخاب میشود، که این زوایه حرکت به صورت توزیع یکنواخت زیر در نظر گرفته میشود. - 2 - در حین حرکت مستعمرات به سمت کشور استعمارگر، ممکن است بعضی از این مستعمرات به موقعیتی بهتر از استعمارگر برسند، در این حالت کشور استعمارگر و کشوره مستعمره جای خود را با هم عوض میکنند. قدرت کل هر امپراطوری، با محاسبه قدرت هر دو بخش تشکیل دهنده آن یعنی قدرت کشور استعمارگر، به اضافهی درصدی از میانگین قدرت مستعمرات آن تعیین میشود.
رقابت استعماری، بخش مهم دیگری از این الگوریتم را تشکیل میدهد. هر امپراطوری که نتواند بر قدرت خود بیفزاید و قدرت رقابت خود را از دست بدهد، در جریان رقابت های امپریالیستی، حذف خواهد شد. این حذف شدن به صورت تدریجی صورت میپذیرد، بدین معنی که به مرور زمان، امپراطوریهای ضعیف، مستعمرات خود را از دست داده و امپراطوریهای قویتر، این مستعمرات را تصاحب کرده و بر قدرت خویش میافزایند. الگوریتم مورد نظر تا برآورده شدن یک شرط همگرایی و یا تا اتمام تعداد کل تکرارها، ادامه مییابد. پس از مدتی، همه امپراطوریها، سقوط کرده و تنها یک امپراطوری وجود خواهد داشت و بقیه کشورها تحت کنترل این امپراطور واحد قرار میگیرند.
روش انتخاب متغیر - ویژگی - پیشنهادی
در این قسمت روش انتخاب متغیر پیشنهادی که بر اساس الگوریتم رقابت استعماری است، معرفی خواهد شد. این روش به اختصار ICAFS نامیده میشود که برگرفته از حروف اول عبارت "انتخاب ویژگی الگوریتم رقابت استعماری" است. در روش پیشنهادی قبل از شروع فرایند انتخاب ویژگی باید فضای جستجو برای الگوریتم رقابت استعماری آماده شود. از این رو، فرض میشود فضای جستجو از کشورها یا نقاطی تشکیل شده است و هر نقطه نشان دهنده یک زیر مجموعه برای مجموعه کل ویژگیها است. نظیر هر نقطه در فضای جستجو یک رشته از اعداد باینری در نظر گرفته میشود که طول این رشته برابر حداکثر تعداد ویژگیها موجود است.
هر خانه این رشته یا آرایه دودویی متناظر با یک ویژگی است و اگر ویژگی عضو زیر مجموعه باشد مقدار خانه نظیر آن یک است و در غیر این صورت مقدار خانه آن صفر است. شکل 2، رشتهای را برای یک مجموعه که از 10 ویژگی تشکیل شده است، را نشان میدهد. زیر مجموعه نظیر این رشته از سه ویژگی تشکیل شده است، چون مقدار خانه های دو، سه و هشت، یک میباشد و مقدار سایر خانه صفر است، بدین معنی میباشد که ویژگی نظیر آنها عضو این زیر مجموعه متناظر با رشته نشان داده شده، نمیباشد.
همانطور که اشاره شد، برای پیادهسازی روش انتخاب ویژگی از الگوریتم رقابت استعماری بهره گرفته شد. کلیات الگوریتم رقابت استعماری حفظ شد تا برای جستجوی نقطه بهینه، مشکلی در تواناییهای آن ایجاد نشود، اما با توجه به فضای جستجو، تغییراتی در سیاست جذب آن به شرحی که در ادامه خواهد آمد، انجام شد. بهتر آن است که قبل از بیان توضیحات تغییرات مربوط به تابع جذب، اشارهای به تابع هزینه تعریف شده، شود. تابع هزینه میزان شایستگی هر کشور یا کلونی را نشان میدهد. در حقیقت تابع هزینه در این جا یک طبقه بندی است که طبقهبندی دادههای ورودی را با مجموعه ویژگیهای نظیر هر نقطه یا کشور در فضای جستجو انجام میدهد و میزان موفقیت طبقه بندی را به عنوان خروجی در نظر میگیرد.
