هدف پژوهش حاضر تبیین اثربخشی افشای اطلاعات غیرمالی در گزارش های حسابداری براساس تحلیل عاملی می باشد. بدین منظور کلیه گزارش های حسابداری شرکت های بورسی که جنبه غیرمالی (کیفی) دارند (اعم از: یادداشت های پیوست، گزارش هیئت مدیره به مجمع، گزارش کنترل های داخلی، گزارش های حسابرسی و غیره) جهت استخراج متغیرهای غیرمالی مورد بررسی قرار گرفت و 50 متغیر غیرمالی شناسایی و به صورت یک چک لیست جهت اخذ امتیاز از صاحب نظران بر اساس جدول مورگان به 380 نفر ارسال گردید، پالایش نظرات خبرگان پژوهش را به 23 متغیر غیرمالی رسانید نهایتا متغیرهای غیرمالی مذکور به چهار عامل اجتماعی، اقتصادی، محیطی و راهبری شرکتی تقسیم بندی شد، هم چنین جهت سنجش اثربخشی عوامل مذکور از 5 معیار شامل: نقد شوندگی سهام، عدم تقارن اطلاعاتی، عملکرد مالی، هم زمانی قیمت و هزینه سرمایه بعنوان متغیر وابسته برای دوره زمانی 1391 تا 1400 استفاده گردید. روش پژوهش حاضر از نظر هدف کاربردی و از نظر شیوه جمع آوری داده ها توصیفی است. از نظر نوع داده ها پژوهشی کیفی و کمی است و از نظر شیوه تحلیل داده ها پژوهشی با روش آمیخته است که در بخشی از پژوهش از روش کیفی و در بخش دیگر از روش کمی استفاده خواهد شد. و برای تحلیل داده ها از نرم افزار استاتا نسخه 15 و الگوی داده های تابلویی استفاده شد. نتایج پژوهش نشان داد براساس تحلیل عاملی همه عوامل یاد شده بر اثربخشی گزارشات حسابداری تاثیر مثبت و معنی دار دارند. پرونده مقاله

This study investigates the effects of stock anomalies on excess stock and unexplained returns of multifactorial models in the companies listed at the Tehran Stock Exchange. We selected a sample of 120 companies listed at the Tehran Stock Exchange from 2008 to 2019 using the Fama-Macbeth [18] regression approach. The results revealed that stock anomalies led to considerable differences in excess stock returns of different portfolios, implying that stock returns at different anomaly levels significantly differ. In addition, it was found that the anomalies related to stock characteristics greatly impacted explaining excess stock returns in the three-factor and five-factor models suggested by Fama and French. Besides, in different portfolios of the anomalies, the unexplained return rates were significantly different from each other. Moreover, in Fama and French's three-factor and five-factor models, different anomaly portfolios show significant differences in explaining excess stock returns. پرونده مقاله

وجود تقلب و تداوم آن در صورتهای مالی،آثارگسترده ای بر سلامت مالی شرکت ها و توسعه پایدار بازار سرمایه دارد. روش های متداول حسابرسی در پیشگیری و کشف صورت های مالی متقلبانه، نتوانستهاندباتقلب‌هایحسابدارینوظهور به دلیل فقداندانشموردنیازداده کاوی،پیچیدگی تقلب های جدید و عدم تجربهکافیحسابرسان کناربیایند. در این پژوهش، انواع مدل های آماری و یادگیریماشین در دست یابی به الگویی با کارایی بالا در پیش بینی گزارشگری مالی متقلبانهاستفاده شد. از 20 متغیر در قالب الگوی پنج ضلعی تقلب با تاکید بر ساختار کنترل های داخلی در 166 شرکت هایفعال در بورس اوراق بهادار تهران طی سالهای 1388 الی 1397 و مقایسه بین مدل های مورد بررسی،باکمکآزمـونمقایسـة نسبت ها،نشان می‌دهدکهبه لحاظ آماریمدل هاییادگیریماشـیندرپیش‌بینیگزارشگری مالی متقلبانه نسـبتبـه مدل هایآماری،کارایی و دقتبیشتری دارند. ترکیب الگوریتم درخت تصمیم گیری CHAID، C5 و C&R بالاترین دقت در پیش بینی گزارشگری مالی متقلبانه را با دقت بالای 61/92 درصد در پیش بینی تقلب نشان می دهد. روش های داده کاوی بر پایه مدل های یادگیری ماشین و بویژه ترکیب آنها بطور موفقیت آمیزی در پیش بینی و کشف تقلب در صورت‌های مالی می تواند مورد استفاده قرار گیرد.The efficiency of statistical and machine learning models in fraud financial statement Hassan Maleki KaklarJamal Bahri SalethSaeed Jabbarzadeh KangarloeeAli AshtabThe existence and persistence of fraud in financial statements can have adverse impact on the sustainable development of the capital markets as well as the financial health of companies. Using conventional audit procedures which is applied to prevent and detect fraudulent financial statements, auditors fail to cope with emerging accounting frauds. This can be due to many reasons, such as the lack of the required data mining knowledge, the complexity and infrequency of financial frauds, and the auditors without much experience. Accordingly, due to importance of identifying fraud in capital market, different types of statistical and machine learning based models were examined to establish a rigorous and effective model to detect financial statements fraud in this study. For this purpose, 20 variables in the form of the pentagonal fraud with emphasis on the structure of internal controls (pressure, opportunity, justification, capability, arrogance and internal control structure) were used from 166 manufacturing companies listed on Tehran stock exchange over the period 2009-2018. Based on the statistical indices obtained, machine learning based models exhibited higher predictive ability and accuracy than statistical based models in predicting financial statement fraud. The results also showed that C5, CHAID and C&R decision tree models were highly accurate in prediction of fraudulent datapresented in fnancial statement. Accordingly, the efficacy of combination of CHAID, C5 and C&R decision tree algorithms which had the highest accuracy in prediction of fraudulent financial reporting was examined. The high accuracy of 92.61% of the combination of these algorithms in fraud prediction shows that data mining methods based on machine learning models and especially their combination can be used successfully in fnancial statement fraud prediction. پرونده مقاله

پژوهش‌های پیشین در زمینه عملکرد کوتاه‌مدت عرضه عمومی اولیه، بیانگر این واقعیت است که سهام تازه عرضه شده در کوتاه‌مدت، عملکرد بهتری نسبت به بازار دارد. مدل‌های آماری توانسته‌اند پیش‌بینی‌های خوبی در مورد عملکرد این‌گونه سهام ارائه دهند ولی مفروضات محدودکننده برخی از این مدل‌ها بر اثربخشی‌شان موثر بوده است. بنابراین، روش‌های دیگری برای مقابله با این محدودیت‌ها و بهبود پیش‌بینی‌ها معرفی شدند. از آن‌جایی که عرضه عمومی اولیه موضوع بااهمیتی در بازار سرمایه است، در این پژوهش به بررسی مدل‌های طبقه‌بندی مختلف برای دست‌یابی به مدلی که از کارایی و دقت بالایی در پیش‌بینی قیمت‌گذاری کمتر از واقع سهام عرضه عمومی اولیه برخوردار است، پرداخته شد. به‌منظور دست‌یابی به این هدف، ۸۴ شرکت بورسی و ۵۴ شرکت فرابورسی طی سال‌های 1382 تا 1396 به‌روش حذف سیستماتیک جهت تحلیل در نظر گرفته شد. نتایج نشان داد که مدل‌های ماشین بردار پشتیبان، شبکه بیزین و سی‌فایو از دقت بالایی در پیش‌بینی قیمت‌گذاری کمتر از واقع برخوردارند. همچنین نتایج نشان داد که متغیرهای مهم تاثیرگذار شامل رشد دارایی‌ها، دوره تصدی حسابرس، تخصص حسابرس در صنعت، نسبت فعالیت‌های تامین‌مالی، نسبت قیمت به سود هرسهم، بازده دارایی‌ها، نسبت فعالیت‌های عملیاتی، اندازه موسسه حسابرسی، فرصت‌های رشد و نوسانات قیمت سهام هستند. پرونده مقاله

پژوهش حاضر با استفاده از روش نظریه پردازی زمینه بنیان به ارائه الگویی برای پیش بینی تاخیر واکنش قیمت سهام می‌پردازد. این پژوهش از نوع کیفی می باشد از مصاحبه‌های نیمه ساختاریافته به عنوان ابزار جمع‌آوری داده‌ها و روش نمونه گیری گلوله برفی یا زنجیرهای استفاده شده است و برای انتخاب نمونه از نمونه‌گیری هدفمند استفاده شده است. داده‌های پژوهش به کمک کدگذاری باز، محوری و انتخابی مورد تجزیه و تحلیل قرار گرفتند در این پژوهش از تعداد 42 مصاحبه صورت گرفته در مجموع 607 کد مصاحبه، 101 مقوله فرعی (مفاهیم) و 11 مقوله اصلی استخراج سپس مدل کیفی پژوهش طراحی و بر اساس تحلیل داده‌ها (مصاحبه‌ها) پیوند بین مقوله‌ها در قالب شرایط علّی، شرایط زمینه‌ای، شرایط مداخله‌گر، راهبردها و پیامدها صورت گرفته است. نتایج پژوهش نشان داد عوامل کلان و سهامداران بازار بعنوان عوامل علی بر پیش‌بینی تاخیر واکنش قیمت سهام مؤثرند. از طرف دیگر با توجه به این عوامل راهبردهایی برای ارتقای پیش‌بینی تاخیر واکنش قیمت سهام، شامل استقرار اطلاعات و صورت‌های مالی شرکتی، اطلاعات شرکتی، معیار عملکردی بازار، مدیریتی و کنترل شرکتی ارائه شده‌اند که در بستر عوامل زمینه‌ای و مداخله‌گر ایجاد می‌شوند. پرونده مقاله