تم إضافة تقرير جديد 2024
ارسل ملاحظاتك

ارسل ملاحظاتك لنا









الرئيسية > The Impact of Machine Learning...>الوصف

The Impact of Machine Learning Algorithms on Improving the Predictive Ability of Accounting Information as Business Partners: An Empirical Evidence from Egyptian Listed Firms

المصدر: مجلة البحوث المحاسبية
الناشر: جامعة طنطا - كلية التجارة - قسم المحاسبة
المؤلف الرئيسي: Ateya, Sara Hamdy (Author)
المجلد/العدد: ع3
محكمة: نعم
الدولة: مصر
التاريخ الميلادي: 2024
الشهر: سبتمبر
الصفحات: 96 - 146
ISSN: 2682-3446
رقم MD: 1516289
نوع المحتوى: بحوث ومقالات
اللغة: الإنجليزية
قواعد المعلومات: EcoLink
مواضيع:
تكنولوجيا المعلومات | التعلم الآلي | البورصة المصرية
كلمات المؤلف المفتاحية:
خوارزميات التعلم الآلي | المقدرة التنبؤية | المعلومات المحاسبية | أسعار الأسهم | الاحتفاظ بالنقدية | Machinе Lеarning Algorithms | Predictive Ability | Accounting Information | Stock Price | Cash Holding Prediction
رابط المحتوى:
PDF (صورة)     
صورة الغلاف QR قانون

عدد مرات التحميل

3

حفظ في:
المستخلص: الهدف الرئيسي من هذه الدراسة هو تقديم أدلة تجريبية بشأن تأثير خوارزميات التعلم الآلي على المقدرة التنبؤية للمعلومات المحاسبية، من خلال التحقيق مما إذا كانت المقدرة التنبؤية خوارزميات التعلم الآلي مقارنة بنماذج التنبؤ التقليدية التي تعتمد على المعلومات المحاسبية، أكثر دقة في التنبؤ بأسعار الأسهم. كما تهدف الدراسة أيضا إلى التحقق مما إذا كانت القدرة التنبؤية لخوارزميات التعلم الآلي تتجاوز نماذج التنبؤ التقليدية في نماذج التنبؤ بشأن التنبؤ بالاحتفاظ بالنقدية. وبالإضافة إلى ذلك، تسعى هذه الدراسة إلى التحقق مما إذا كان دمج خوارزميات التعلم الآلي والمعلومات المحاسبية في نماذج التنبؤ يؤدي إلى تحسين القدرة التنبؤية للمعلومات المحاسبية. ولتحقيق الأهداف المتوقعة من هذه الدراسة، استخدم الباحث مداخل متعددة باستخدام مدخل دراسة الحالة مقارنة بمدخل دراسة الحدث، كشفت نتائج التحليل المقارن أن المقدرة التنبؤية للمعلومات المحاسبية أكثر دقة من المقدرة التنبؤية لخوارزميات التعلم الآلي عند التنبؤ بأسعار الأسهم. ويدل ذلك على أن استخدام خوارزميات التعلم الآلي لا يؤدي بالضرورة إلى تنبؤات مالية أكثر دقة. وأن خوارزميات التعلم الآلي ليست بديلا عن المعلومات المحاسبية كمدخلات في نماذج التنبؤات المالية. وباستخدام المدخل التطبيقي، تم تحليل Firm- Year observations 564 خلال الفترة من 2019 إلى 2022 للتنبؤ بالاحتفاظ بالنقدية. واستخدم الباحث عدة خوارزميات مثل أشجار القرار، وناقلات الدعم، وk-Neearest، ومقارنتها مع الانحدار الخطي المتعدد القائم على معلومات المحاسبة كنماذج للتنبؤ. وأظهرت النتائج أن جميع نماذج التنبؤات لها جذور أعلى متوسط الخطأ التربيعي (RMSE) وأدنى R2، مما يدل على انخفاض دقة التنبؤات لهذه النماذج. بينما ثبت أن أشجار القرار كخوارزميات معقدة تحقق درجة أعلى من الدقة. ولذلك، فإن استخدام خوارزميات متقدمة من تعلم الآلي قد تؤدي إلى تنبؤات أكثر دقة بالاحتفاظ بالنقدية. كما أظهرت النتائج أن المعلومات المحاسبية تؤثر تأثيرا كبيرا على دقة خوارزميات المتعلقة بالاحتفاظ بالنقدية. ومن ثم، تضيف الدراسة الحالية أدلة عملية إلى الأدبيات السابقة ذات الصلة، من خلال إبراز مدى أهمية التكامل بين كل من خوارزميات التعلم الآلي والمعلومات المحاسبية في نماذج التنبؤات المالية. واعتبار خوارزميات التعلم الآلي أداة داعمة تحسن من القدرة التنبؤية للمعلومات المحاسبية، وليست بديلا عنها. وفي الوقت نفسه، تحسن المعلومات المحاسبية دقة تنبؤات خوارزميات التعلم الآلي. ولذلك، أصبح من الضروري للمحاسبين أن يتقنوا مهارات التعلم الآلي في مجال المحاسبة للحفاظ على وظائفهم واضطلاعهم بأدوارهم الجديدة في عصر الذكاء الاصطناعي.

This study is designed to provide empirical evidence on the impact of machine learning algorithms on the Predictive Ability of Accounting Information, by investigating the predictive ability of machine learning algorithms as opposed to traditional prediction models that rely on accounting information, on the accuracy of stock price predictions. It also aims to investigate whether machine learning algorithms' predictive ability outperforms traditional prediction models' predictive ability in cash-holding prediction models. Additionally, this study seeks to explore the practical potential of integrating machine learning algorithms and accounting information into prediction models to improve the predictive ability of accounting information. To fulfill this study's expected objectives, the researcher used several approaches. Using a case study approach compared event study approach, the comparative analysis results revealed that accounting information's predictive ability was more accurate than the machine learning algorithms’ predictive ability in stock price predictions. This suggests that using machine learning algorithms does not necessarily result in better prediction performance and that machine learning algorithms are not the replacement for accounting information in financial predictions. using the empirical approach, 564 firm-year observations from 2019 to 2022 are analyzed to predict cash-holding. The researcher employed several algorithms such as decision trees, support vectors, and K-nearest neighbor, compared to multiple linear regression based on accounting information as prediction models. The empirical results showed that decision trees as complex algorithms were proven to yield higher accuracy. While, other prediction models, MLR, KN, and SV had (RMSE) and low R2, which indicates the Low accuracy of predictions. Also, the empirical results reported that accounting information significantly affects the accuracy of machinе lеarning algorithms regarding cash-holding prеdictions. Hence, the current study adds empirical evidence to related previous literaturе review through emphasizing the complementary nature between the roles of machine learning algorithms and accounting information in financial predictions. Machine learning algorithms must be considered a supporting tool to enhance the predictive ability of accounting information, not a replacement for it. At the same time, accounting information improves the accuracy of machine learning algorithms' predictions. Therefore, it has become necessary for accountants to master machine learning skills to maintain their jobs and assume new roles in the era of artificial intеlligеncе.
ISSN: 2682-3446

عناصر مشابهة


© 2025 المنظومة. جميع الحقوق محفوظة.