۳-۵-۳-۳٫ نرخ یادگیری

 

نرخ یادگیری یکی از پارامترهای تعیین‌کننده در سرعت یادگیری شبکه های عصبی است و در کارائی یادگیری شبکه نقش مؤثری دارد. این نرخ در فاصله­ بین ۰ و ۱ اختیار می‌شود. عموماً نرخ یادگیری شبکه های عصبی به صورت تصادفی و آزمون و خطا به دست می‌آید.اما در اکثر کاربردهای عملی، این نرخ بین ۱/۰ و ۳/۰ اختیار می‌شود. نرخ یادگیری بالاتر باعث می‌شود شبکه سریعتر یادگیری کند اما وقتی که تنوع داده های ورودی زیاد باشد، شبکه به جای یادگیری حفظ خواهد کرد و کارائی شبکه پائین خواهد آمد. در این بررسی این نرخ ۲۵/۰ اختیار شد.

 

۳-۵-۳-۴٫ تعداد تکرار

 

الگوریتم یادگیری وزن‌های خروجی را پس از محاسبه­ هر دسته خروجی تغییر می‌دهد و به اصطلاح به روز می‌کند. این الگوریتم به تکرار فرایند آموزش برای رسیدن به اوزان نیاز دارد. تعداد تکرار هر فرایند آموزش نیز از طریق آزمون و خطا به دست می‌آید. نقطه­ بهینه تعداد تکرار، نقطه‌ای است که شبکه بهترین یادگیری را داشته باشد. یا بعبارتی کمترین خطای پیش‌بینی را داشته باشد.

 

۳-۵-۳-۵٫ شتاب^[۱۸] شبکه

 

پارامتر شتاب برای افزایش سرعت همگرایی شبکه استفاده می‌شود. به هر حال، اگر شتاب شبکه بیش از حد زیاد انتخاب شود، می‌تواند خطر دور شدن از هدف را افزایش دهد که می‌تواند باعث ناپایداری و عدم ثبات شبکه گردد. معمولاً ضریب شتاب پایین عملکرد بهتری در آموزش بهینه شبکه از خود نشان می‌دهد. در این بررسی شتاب ۱۵/۰ استفاده شد.

 

۳-۵-۳-۶٫ معیارهای ارزیابی عملکرد

 

در این تحقیق به بررسی شناسایی مدیریت سود با بهره گرفتن از شبکه عصبی درک چند لایه(MLP) در شرکت‌های پذیرفته شده در بورس اوراق بهادار تهران پرداختیم. از این رو به منظور بررسی عملکرد این مدل‌، از برخی معیارهای ارزیابی عملکرد برای نشان دادن چگونگی یادگیری ارتباط‌های داده ها در شبکه های عصبی استفاده شده است. برای مسائل پیش‌بینی، این معیارها به طور عمده مربوط به خطای بین خروجی پیش‌بینی شده و خروجی مطلوب واقعی(که البته در اینجا با توجه به داده های آموزشی تعهدات کل می‌باشد) است. در تحقیق حاضر از معیار میانگین مربع خطا(^[۱۹]MSE) و ضریب تعیین(R²) در مرحله آموزش شبکه استفاده شده است.

 

Mean Squared Error (MSE)

 

معادله (۳-۱۲)

 

 

 

معادله (۳-۱۳)

 

معیار MSE مربوط به میانگین خطای استاندارد است و هر چه مقدار آن ها کمتر باشد ‌به این معنا است که شبکه، پیش‌بینی را با خطای کمتری انجام داده است در نتیجه کارائی مدل بیشتر خواهد بود. معیار ضریب تعیین(R²) همبستگی بین داده های واقعی و پیش‌بینی شده را بررسی می‌کند. مقدار R² بین صفر و یک است و مقدار یک بیان کننده تطابق کامل داده هاست، در نتیجه هر چه مقدار R² به یک نزدیک‌تر باشد، مطلوب‌تر خواهد بود.

 

۳-۶٫اندازه گیری تعهدات کل

 

اولین قدم برای محاسبه تعهدات اختیاری، محاسبه تعهدات کل است. طبق مطالعات انجام شده برای محاسبه این متغیر دو رویکرد مطرح است. رویکرد ترازنامه‌ای و رویکرد جریان وجه نقد. بر اساس رویکرد ترازنامه‌ای داریم:

 

معادله (۳-۱۴)

 

: تغییر در دارایی‌های جاری

 

: تغییر در بدهی‌های جاری

 

: تغییر در وجه نقد و معادل های وجه نقد

 

: سررسیدهای کوتاه مدت حسابهای دریافتنی بلندمدت و حسابهای دریافتنی

 

: هرینه‌های استهلاک

 

در روش جریان وجه نقد داریم:

 

معادله (۳-۱۵)

 

: سود خالص

 

: وجه نقد حاصل از فعالیت های عملیاتی

 

1. 1. Earning Management ↑

 

1. 1. Healy ↑

 

1. 1. Jones ↑

 

1. 1. Total Accrual ↑

 

1. 1. Non-discretionary Accruals ↑

 

1. 1. Discretionary Accruals ↑

 

1. 1. Neural network ↑

 

1. 1. Multilayer Perceptron ↑

 

1. 1. Scott ↑

 

1. 1. Initial Public Offering ↑

 

1. 1. Income Maximization ↑

 

1. 1. Income Minimization ↑

 

1. 1. Income Smoothing ↑

 

1. 1. Feed Forward ↑

 

1. 1. Back Propagation ↑

 

1. 1. Supervised learning Algorithm ↑

 

1. 1. Performance Matched ↑

 

1. 1. Momentum ↑