خلاصة:
با توجه به گوناگونی و پراکندگی اطلاعات در زمینه حسابداری و امور مالی، برای انتخاب و ارائهی بهترین اطلاعات مورد نیاز هر استفاده کننده جهت تصمیم گیری، به سیستمی نیاز است که دارای خصوصیت هوشمندی باشد و همچنین بتواند اطلاعات مورد نیاز را پیش بینی نماید. پیش بینی عنصری کلیدی برای تصمیم گیری های مدیریتی است، چرا که بیشتر تصمیمات مدیریت در تمام سطوح سازمان به طور مستقیم یا غیر مستقیم به حالتی از پیش بینی آینده بستگی دارد. هدف از پیش بینی، کاهش ریسک در یک تصمیم گیری است. در حوزه حسابداری و امور مالی بسیاری از پیش بینی ها از مدل های خطی ساده پیروی نمی کنند، بلکه بر اساس سیستمی غیر خطی و آشوب گونه که تحت تأثیر شرایط سیاسی، اقتصادی، روانشناسی و امثالهم می باشد، دچار تغییر میشوند. بهترین روش جهت پیشبینی مواردی با این ویژگیها، استفاده از سیستمهای هوشمند غیرخطی است. امروزه هوشمصنوعی در راستای پیش بینی چنین مواردی بسیار مورد توجه است. می توان گفت مهمترین کاربرد سیستمهای هوشمند در حسابداری، مدیریت و اقتصاد، پیشبینی متغیرهاست. یکی از سیستمهای مبتنی بر هوش مصنوعی جهت انتخاب بهترین اطلاعات و اتخاذ تصمیم منطقی بر اساس اطلاعات انتخاب شده و همچنین برای انجام پیش بینی در شرایط پیچیده و غیر خطی، شبکه های عصبی مصنوعی است. در این مقاله پس از معرفی مفاهیم شبکههای عصبی مصنوعی به عنوان شاخه ای از سیستم های هوشمند، به برخی از کاربردهای آن در زمینه ی حسابداری اشاره خواهد شد.
ملخص الجهاز:
"- Multiple Discriminant Analysis (MDA) افسر(1386)، در پژوهشی تحت عنوان " مدل سازی پیش بینی قیمت سهام با استفاده از شبکه های عصبی- فازی و روش های ترکیبی" به پیش بینی قیمت سهام با استفاده از روشهای کلاسیک و هوش مصنوعی، پرداخته است.
عباس پور (1381 )، در پایان نامه کارشناسی ارشد خود با عنوان " پیش بینی قیمت سهام شرکت ایران خودرو در بازار بورس تهران با استفاده از شبکه عصبی" به پیش بینی قیمت سهام این شرکت توسط شبکه های عصبی مصنوعی پرداخته و نتایج این پیش بینی را با نتایج بدست آمده از روش باکس جنکینز مورد مقایسه قرار داده است.
بت شکن (1379)، در پایان نامه کارشناسی ارشد خود تحت عنوان " پیش بینی قیمت سهام با استفاده از شبکه های عصبی – فازی و مقایسه آن با الگوهای خطی پیش بینی " به پیش بینی قیمت سهام شرکت های پذیرفته شده در بورس اوراق بهادار تهران پرداخته است.
نتایج این پژوهش نشان دهنده ی آن است که رفتار سری زمانی بازده روزانه سهام شرکت ها یک فرآیند تصادفی نیست و دارای حافظه است و همچنین شبکه های عصبی مصنوعی توانایی پیش بینی بازده روزانه سهام را با میزان بسیار پایینی از خطا دارند.
نتایج حاصل نشان دهندهی موفقیت هر دو مدل در پیش بینی رفتار بازده سهام مورد نظر و همچنین برتری محسوس عملکرد شبکه های عصبی مصنوعی نسبت به مدل چند عاملی می باشد ."