افشاء اطلاعات مولفه های ریسک حاوی پیام های موثر در ارزیابی وپیش بینی رخدادهای آتی در شرکت هاست.لذا قضاوت آگاهانه استفاده کنندگان درگرو سودمندی ارائه اطلاعات تکمیلی از مولفه های ریسک درسطوح مختلف طبقه بندی شده ومتناسب با عملکردهای رودرروی شرکت ها و بهبود کیفیت تهیه وارائ چکیده کامل
افشاء اطلاعات مولفه های ریسک حاوی پیام های موثر در ارزیابی وپیش بینی رخدادهای آتی در شرکت هاست.لذا قضاوت آگاهانه استفاده کنندگان درگرو سودمندی ارائه اطلاعات تکمیلی از مولفه های ریسک درسطوح مختلف طبقه بندی شده ومتناسب با عملکردهای رودرروی شرکت ها و بهبود کیفیت تهیه وارائه اطلاعات حسابداری است. ازاین رو هدف پژوهش ،ارزیابی سودمندی در تصمیم برای سرمایه گذاران با افشاء اطلاعات مولفه های ریسک و پیامدهای اقتصادی عملکرد شرکت ها می باشد.بدین منظور این پژوهش با 87 شرکت نمونه و در بازه زمانی 7 ساله 1396-1390 به شیوه توصیفی- همبستگی با اجرای آزمون کروسکال والیس والگوی رگرسیون چندگانهصورت پذیرفت.نتایج نشان داد که، افشاء اطلاعات مولفه های ریسک درسطح شرکت حاوی اطلاعات سودمند در پیش بینی خطر سقوط قیمت بازار سهام شرکت ها است اما در سطح صنعت رابطه معناداری یافت نشد. افشاء اطلاعات مولفه های ریسک در سطح شرکت ودرسطح صنعت حاوی اطلاعات سودمند در پیش بینی رفتار همزمانی قیمت بازار سهام شرکت ها است.هرچه افشای مولفه های ریسک دارای شفافیت واطلاعات سودمند بیشتری باشد تاثیر زیادتری درافزایش قدرت پیش بینی وتوضیح دهندگی خطرسقوط قیمت سهام وهمزمانی قیمت سهام دارند.
پرونده مقاله
در این پژوهش برای تعیین روش پیش بینی قیمت سهام، یک شبکه عصبی LM-BP بر اساس سری های زمانی با توجه به قیمت باز، بالاترین قیمت، پایین ترین قیمت، قیمت بسته و حجم معاملات ارائه شد. در پژوهش حاضر، 315 روز قیمت سهام را برای ایجاد 10 نمونه انتخاب و مجموعه آزمون شامل قیمت سهام ا چکیده کامل
در این پژوهش برای تعیین روش پیش بینی قیمت سهام، یک شبکه عصبی LM-BP بر اساس سری های زمانی با توجه به قیمت باز، بالاترین قیمت، پایین ترین قیمت، قیمت بسته و حجم معاملات ارائه شد. در پژوهش حاضر، 315 روز قیمت سهام را برای ایجاد 10 نمونه انتخاب و مجموعه آزمون شامل قیمت سهام از روز 316 تا روز 320 را انتخاب و از شبکه عصبی LM-BP استفاده شده است. در این پژوهش، تعیین نقطه بحرانی بیش از حد، عدم تقارن و شمارش فواصل زمانی بررسی شد. منحنی MRE2-MRE1 رسم شده و دقت مربوط به بهترین پیش بینی شبکه عصبی BP بر اساس چند تکرار مستقل برآورد شد. پس آزمون نیز به روش آزمون کوپیک و آزمون کریستوفرسون انجام شد. نتایج نشان داد که پیش بینی قیمت سهام بر اساس شبکه عصبی LM-BP و برآورد نقطه بیش از حد توسط شمارش فواصل زمانی، نتایج بهتری نسبت به روش های موجود ارائه می دهد.
پرونده مقاله
هدف این پژوهش بررسی رفتار نامنظم در قیمت سهام، انتظارات سرمایه گذاران و بازده سهام با استفاده از شاخص لیاپونوف و شاخص کلموگروف است. همچنین رفتار وابسته قیمت سهام، انتظارات سرمایه گذاران و بازده سهام را دربازه زمانی1390 تا 1396 در بورس اوراق بهادار تهران تجزیه و تحلیل شد چکیده کامل
هدف این پژوهش بررسی رفتار نامنظم در قیمت سهام، انتظارات سرمایه گذاران و بازده سهام با استفاده از شاخص لیاپونوف و شاخص کلموگروف است. همچنین رفتار وابسته قیمت سهام، انتظارات سرمایه گذاران و بازده سهام را دربازه زمانی1390 تا 1396 در بورس اوراق بهادار تهران تجزیه و تحلیل شد. از روش BDS برای وجود و اندازه گیری رفتار نامنظم استفاده شد. کاپیولا گارچ و کاپیولا تی-گارچ برای مطالعه حرکت مشترک در میان متغیرهای انتخاب شده مورد استفاده قرار گرفتند. نتایج نشان داد بر اساس شاخص لیاپونوف و شاخص کلموگروف قیمت سهام و بازده سهام دارای رفتار نامنظم هستند. در مورد دنباله غیرخطی وابسته بین نوسان قیمت سهام، انتظارات سرمایه گذاران و بازده سهام شواهد معناداری وجود دارد. علاوه بر این، دنباله وابستگی بالا و پایین و تحرک بین سری های تحلیل شده، تایید شد. همچنین، نوسانات قیمت سهام تاثیر زیادی بر بازده سهام و انتظارات سرمایه گذاران در بلندمدت به روش های کاپیولا گارچ و کاپیولا تی-گارچ دارند.
پرونده مقاله