What does this research mean for the field?

A hybrid model combining deep neural networks and Particle Swarm Optimization predicts earnings management using discretionary accruals with high accuracy (R-squared 97.85%), outperforming traditional logistic regression models. Novelty: ClaimNovelty.METHODOLOGICAL. Consensus alignment: ConsensusAlignment.NEUTRAL.

What question did this study set out to answer?

The aim is to develop a hybrid model using deep neural networks and meta-heuristic algorithms for predicting earnings management through discretionary accruals.

June 2, 2026Open Access

A Hybrid Deep Neural Network and Meta-Heuristic Algorithm Model for Predicting Earnings Management Using Discretionary Accruals

Key Points

The aim is to develop a hybrid model using deep neural networks and meta-heuristic algorithms for predicting earnings management through discretionary accruals.
Identified financial variables affecting earnings management.
Used particle swarm optimization for variable weighting and feature selection.
Trained a deep neural network on the optimized dataset.
The proposed model achieved an R² of 97.85%.
Mean squared error of 0.0234 and root mean squared error of 0.1530 were obtained.
The deep neural network outperformed logistic regression in predicting earnings management.

Abstract

هدف این پژوهش ارائه یک مدل ترکیبی مبتنی بر شبکه عصبی عمیق و الگوریتم‌های فراابتکاری برای پیش‌بینی مدیریت سود مبتنی بر اقلام تعهدی اختیاری در شرکت‌های پذیرفته‌شده در بورس اوراق بهادار است. برای این منظور، ابتدا متغیرهای مالی مؤثر بر مدیریت سود شناسایی و داده‌های مربوط به آن‌ها گردآوری شد. سپس با استفاده از الگوریتم بهینه‌سازی ازدحام ذرات، وزن‌دهی به متغیرها و انتخاب ویژگی‌های بهینه صورت گرفت. در مرحله بعد، شبکه عصبی عمیق با پایگاه داده بهینه‌شده آموزش داده شد تا مدلی قدرتمند برای پیش‌بینی مدیریت سود توسعه یابد. نتایج ارزیابی مدل نشان داد که مدل پیشنهادی از دقت بالایی برخوردار است؛ به‌گونه‌ای که ضریب تعیین معادل۹۷.۸۵ درصد، میانگین مربعات خطا برابر با ۰.۰۲۳۴، ریشه میانگین مربعات خطا برابر با ۰.۱۵۳۰ و میانگین قدرمطلق خطا برابر با ۰.۱۰۱۲ به دست آمد. همچنین، مقایسه مدل شبکه عصبی با مدل رگرسیون لجستیک نشان داد که مدل شبکه عصبی عمیق عملکرد بهتری در پیش‌بینی مدیریت سود دارد. یافته‌های این پژوهش نشان می‌دهد که استفاده از رویکردهای هوش مصنوعی می‌تواند به بهبود فرآیند تشخیص و پیش‌بینی مدیریت سود کمک کرده و ابزاری کارآمد برای تصمیم‌گیری مدیران، حسابرسان و تحلیلگران مالی فراهم سازد.

Read Full Paperexternally

Ask AI

Helpful

Bookmark

View Full Paper