حسابداری، امور مالی و هوش محاسباتی 3092-7366 3 بهار 1404 1404 03 30 Audit Risk Prediction Based on Long Short-Term Memory (LSTM) Algorithm پیش بینی ریسک حسابرسی براساس الگوریتم حافظه طولانی کوتاه مدت (LSTM) 1 22 FA رشا محمود علي دانشجوی دکتری، گروه حسابداری، واحد اصفهان (خورسگان)، دانشگاه آزاد اسلامی، اصفهان، ایران حمیدرضا عزیزی گروه حسابداری، واحد اردبیل، دانشگاه ازاد اسلامی، اردبیل، ایران سراج رزوقی عباس گروه حسابداری، دانشکده مالی و حسابداری، دانشگاه استان واسط، عراق. رحمان ساعدی گروه حسابداری، واحد اصفهان (خوراسگان)، دانشگاه آزاد اسلامی، اصفهان، ایران Journal Article 1404 01 03 <p>The objective of the present study is to predict audit risk using the Long Short-Term Memory (LSTM) algorithm in companies listed on the Tehran Stock Exchange and to compare its results with those of other deep learning algorithms. To achieve this objective, a total of 1,650 firm-year observations (150 companies over 11 years) were collected from the annual financial reports of companies listed on the Tehran Stock Exchange during the period from 2013 to 2023. In this study, four deep learning algorithms—including Long Short-Term Memory (LSTM), Support Vector Machine (SVM), Convolutional Neural Network (CNN), and Recurrent Neural Network (RNN)—were utilized. Additionally, to select the final research variables for model construction, the two-sample mean comparison test method was applied. The results of the deep learning algorithms show that the overall accuracy of the LSTM, SVM, CNN, and RNN algorithms was 99.1%, 89.6%, 85.8%, and 96.4%, respectively, indicating that the LSTM algorithm has the best performance and the CNN algorithm the poorest performance in predicting audit risk. In other words, the results demonstrate the superior efficiency of the Long Short-Term Memory (LSTM) algorithm compared to other deep learning algorithms. Therefore, in companies listed on the Tehran Stock Exchange, the LSTM algorithm provides the most efficient model for audit risk prediction. The findings of this study can offer useful insights into enhancing the prediction of audit risk and minimizing errors in evaluating financial statement information, improving the assessment of audit evidence based on data, and facilitating auditors’ ability to issue more reality-based opinions.</p> <p>هدف پژوهش حاضر پیش بینی ریسک حسابرسی براساس الگوریتم حافظه طولانی کوتاه مدت در شرکت‌های پذیرفته شده در بورس اوراق بهادار تهران و مقایسه نتایج حاصل از آن با سایر الگوریتم‌های یادگیری عمیق می‌باشد. به منظور نیل به این هدف 1650 سال-شرکت (150 شرکت برای 11 سال) مشاهده جمع آوری شده از گزارش‌های مالی سالیانه شرکت‌های پذیرفته شده در بورس اوراق بهادار تهران در طی دوره زمانی 1392 تا 1402 مورد آزمون قرار گرفته اند. در پژوهش حاضر از چهار الگوریتم یادگیری عمیق ( شامل الگوریتم‌های حافظه طولانی کوتاه مدت (LSTM)، ماشین بردار پشتیبان(SVM)، شبکه عصبی پیچشی(CNN) و شبکه عصبی بازگشتی (RNN)) و همچنین جهت انتخاب متغیرهای نهایی پژوهش از روش آزمون مقایسه میانگین دو نمونه جهت ایجاد مدل استفاده شده است. نتایج حاصل از الگوریتم‌های یادگیری عمیق نشان می‌دهد که صحت کلی الگوریتم‌های LSTM، SVM، CNN و RNN به ترتیب 99.1%، 89.6%، 85.8% و 96.4% می‌باشد که نشان دهنده این است الگوریتم LSTM بهترین عملکرد و الگوریتم CNN بدترین عملکرد را در پیش بینی ریسک حسابرسی دارد. به عبارت دیگر، نتایج نشان دهنده  کارآ بودن الگوریتم حافظه طولانی کوتاه مدت (LSTM)  نسبت به سایر الگوریتم‌های یادگیری عمیق می‌باشد. بنابراین در شرکت‌های پذیرفته شده در بورس اوراق بهادار تهران الگوریتم LSTM کاراترین مدل را برای پیش بینی ریسک حسابرسی فراهم می‌کند. یافته‌های پژوهش حاضر می‌تواند اطلاعات سومندی در بهبود پیش بینی ریسک حسابرسی و کاهش خطا در ارزیابی اطلاعات صورت‌های مالی، ارزیابی بهتر شواهد حسابرسی بر مبنای اطلاعات و اتخاذ اظهارنظر مبتنی بر واقعیت توسط حسابرسان فراهم کند.</p> https://jafci.com/index.php/jafci/article/download/100/138