همانطور که پیشتر بیان شد، به منظور آموزش شبکه­ MLP، و دستیابی به پیش بینی مطلوب، باید شبکه را تحت پارامترهای مختلف که همان ویژگی های شبکه است مورد آموزش و یادگیری قرار داد. به عبارت دیگر با تغییر دادن این پارامترها، شبکه وزن‌های خروجی متفاوتی خواهد داد که در نهایت وزنی که کمترین خطا را منجر شود، به عنوان وزن نهایی و پارامترهایی که موجب دستیابی به این وزن شدند به عنوان پارامترها و مشخصه‌ های شبکه معرفی می‌شوند. این پارامترها به صورت زیر است:
۳-۵-۳-۱. تعداد لایه‌ها ی شبکه
استفاده از یک شبکه تک لایه نمی‌تواند نتایج خوبی در حل مسائل پیچیده غیرخطی ارائه کند (زیرا تابع فعال سازی آن خطی می باشد). در واقع تمام شبکه‌های عصبی با بیش از یک لایه، در بخشی از کار خود از توابع غیرخطی فعال‌ساز استفاده می‌کنند. استفاده از توابع غیرخطی فعال‌ساز باعث می‌شود که توانایی شبکه‌های عصبی در مدل کردن مسائل غیرخطی بروز نماید و جواب‌های مطلوبی در خروجی به ما بدهند. این ویژگی با یک تابع فعال‌سازی غیرخطی مشتق‌پذیر و پیوسته اتفاق می‌افتد. بنابراین برای یک پیش‌بینی دقیق بایستی از شبکه‌های عصبی با بیش از یک لایه استفاده شود، که در لایه‌های میانی آن توابع غیرخطی وجود داشته باشد. البته باید توجه کرد که افزایش بیش از حد لایه‌های شبکه‌های عصبی (بیش از ۳ لایه) نیز اصلاً توصیه نمی‌شود. در این بررسی از یک لایه پنهان استفاده شده است.
(( اینجا فقط تکه ای از متن درج شده است. برای خرید متن کامل فایل پایان نامه با فرمت ورد می توانید به سایت nefo.ir مراجعه نمایید و کلمه کلیدی مورد نظرتان را جستجو نمایید. ))

۳-۵-۳-۲. تعداد نرون های هرلایه
مسئله بعدی تعیین تعداد نرون‌های لایه‌های میانی و خروجی است. تعداد نرون‌های لایه ورودی برابر با تعداد متغیرهای مستقل است که در این بررسی همان متغیرهای مدل ریس و همکاران است. اگر هدف از استفاده از شبکه‌های عصبی پیش‌بینی باشد، در لایه خروجی بایستی یک نرون داشته باشیم. اما اگر به منظور طبقه‌بندی یا شناسایی الگو از شبکه‌های عصبی استفاده شود، می‌توان در لایه خروجی از چند نرون استفاده کرد. در تعیین تعداد نرون‌های لایه میانی نیز روش های متعددی ارائه شده است که هیچ کدام از آنها عموما کلیت ندارد. اما بهترین روش برای تعیین تعداد نرون‌ها، روش آزمون و خطا می‌باشد. با افزایش تعداد نرون‌های لایه پنهان از یک مقدار کوچک به مقادیر بزرگ، ابتدا مجموع خطا کاهش می‌یابد اما پس از رسیدن مقدار نرون‌ها به اندازه معین این خطا دوباره افزایش می‌یابد. بدین روش می‌توان بهترین اندازه شبکه را انتخاب نمود. در واقع با هر بار تعیین گره میزان خطای شبکه مشخص می‌شود که با مقایسه این خطاها بهترین تعداد نرون را می‌توان انتخاب کرد.
۳-۵-۳-۳. نرخ یادگیری
نرخ یادگیری یکی از پارامترهای تعیین‌کننده در سرعت یادگیری شبکه‌های عصبی است و در کارائی یادگیری شبکه نقش مؤثری دارد. این نرخ در فاصله­ بین ۰ و ۱ اختیار می‌شود. عموماً نرخ یادگیری شبکه‌های عصبی به صورت تصادفی و آزمون و خطا بدست 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 داده‌های 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 بدست می‌آید. نقطه­ی بهینه تعداد تکرار، نقطه‌ای است که شبکه بهترین یادگیری را داشته باشد. یا بعبارتی کمترین خطای پیش بینی را داشته باشد.
۳-۵-۳-۵. شتاب^[۲۰] 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 داده‌ها در شبکه‌های عصبی استفاده شده است. برای مسائل پیش بینی، این معیارها بطور عمده مربوط به خطای بین خروجی پیش بینی شده و خروجی مطلوب واقعی(که البته در اینجا با توجه به داده‌های آموزشی تعهدات کل می‌باشد) است. در تحقیق حاضر از معیار میانگین مربع خطا(^[۲۱]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 آنها 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 پیش بینی شده را بررسی می کند. 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
از آنجا که جونز در اندازه‌گیری اقلام تعهدی از روش جریان وجه نقد استفاده می‌کرد و همچنین چون مدلهای این تحقیق بنوعی تعدیل شده مدل جونز هستند ما هم از این رویکرد در اندازه گیری تعهدات کل استفاده کردیم.
نکته قابل توجه در اندازه‌گیری تعهدات کل با بهره گرفتن از این روش چگونگی محاسبه جریان نقد حاصل از فعالیتهای عملیاتی با در نظر گرفتن استاندارد حسابداری شماره ۲ ایران است. همانطور که می‌دانیم این استاندارد جریان وجه نقد عملیاتی را به ۵ طبقه تقسیم کرده است:
فعالیتهای عملیاتی
بازده سرمایه‌گذاریها و سود پرداختی بابت تامین مالی
مالیات بر درآمد
فعالیتهای سرمایه‌گذاری
فعالیتهای تامین مالی
در حالیکه طبق استاندارد بین‌المللی شماره ۷ صورت جریان وجه نقد دارای ۳ طبقه است:
فعالیتهای عملیاتی
فعالیتهای سرمایه‌گذاری
فعالیتهای تامین مالی
با دقت در دو رویکرد طبقه‌بندی می‌توان دریافت که طبقه فعالیتهای عملیاتی در استاندارد بین‌المللی از تلفیق سه طبقه اول در استاندارد حسابداری ایران بدست می‌آید. البته یک استثنا وجود دارد و آن سود سهام پرداختی است که در استاندارد بین‌المللی در طبقه تامین مالی می‌آید در حالیکه در استاندارد ایران در طبقه بازده سرمایه‌گذاریها و سود پرداختی بابت تامین مالی گنجانده شده است. بنابراین برای رسیدن به جریان وجه نقد حاصل از فعالیتهای عملیاتی طبق استاندارد حسابداری بین‌المللی باید ۳ طبقه اول جریان وجه نقد استاندارد ایران را پس از کسر سود سهام پرداختنی باهم تلفیق کنیم.
۳-۷.معیار اندازه‌گیری عملکرد مدلها
مشکل اصلی در ارزیابی کارایی مدل‌های تخمین تعهدات اختیاری این است که تعهدات اختیاری بطور مستقیم قابل اندازه‌گیری نیست.بنابراین باید از روش های غیرمستقیم برای ارزیابی عملکرد مدلها استفاده کنیم. همانطور که پیش‌تر بیان شد نمونه مورد بررسی ما شامل شرکتهای تولیدی هستند که از سال ۸۳ الی ۹۰ در بورس فعال بوده و دارای شرایط از پیش گفته شده نیز باشند. کل داده‌هایی که حائز این شرایط بودند پس از حذف داده‌های پرت و پیراسته کردن داده‌ها به ۱۴۰۸سال-شرکت رسید که بخش قابل توجهی از کل جامعه را تشکیل می‌دهد. با این توضیحات اگر مدلی بخوبی تبیین شده باشد میانگین کل تعهدات اختیاری پیش‌بینی شده‌ عددی نزدیک به صفر خواهد بود. علاوه بر این یک مدل کارا نباید تحت تاثیر متغیرهای عملکرد شرکت قرار بگیرد. بنابراین شرکتهای عضو گروه آزمون را (شامل داده‌های دو سال آخر)بر اساس متغیرهای بازده دارایی(ROA)، نقد حاصل از فعالیتهای عملیاتی(CFO)، کل دارایی سال قبل شرکت (TA) و فروش(REV) مرتب می‌کنیم. در نهایت در هر یک از این متغیرها یکچهارم داده‌های بالا و پایین را انتخاب کرده و میانگین تعهدات اختیاری سه مدل را در نظر می‌گیریم. در هریک از این یکچهارمها میانگین تعهدات اختیاری برآوردی سه مدل را باهم مقایسه کرده و به آنها امتیازی بین یک تا سه می‌دهیم(هر قدر میانگین براوردی یک مدل به صفر نزیدکتر باشد امتیاز بیشتری کسب می‌کند). با مقایسه امتیازی که هر مدل کسب می‌کند به رتبه‌بندی مدلها می‌پردازیم.
۳-۸. آزمونهای آماری
برای استفاده از مدلهای خطی و نیز تحلیل نتایج حاصل از داده‌ها نیاز به مجموعه‌ای از آزمونهای آماری داریم. بخشی از این آزمونها برای بررسی وجود شرایط استفاده از مدلهای خطی رگرسیونی ، بخشی برای تحلیل مدلهای رگرسیون و بخشی نیز برای تحلیل نتایج نهایی مدلهای مختلف مورد بحث بکار می‌روند.
برای استفاده از مدلهای رگرسیونی خطی شرایط زیر باید محقق شود.
متغیر وابسته نرمال باشد.
میانگین خطاها صفر باشد
واریانس خطاها ثابت باشد.
مفروضات ۳ و ۲ به این معنی است که توزیع خطاها باید دارای توزیع نرمال باشد.
بین خطاهای مدل همبستگی وجود نداشته باشد.