The dividend is one of the issues that has long been considered by financial researchers and continues to be one of the controversial issues in the field of financial management. The aim of this study was to model confirmatory factor analysis to investigate the effect of risk management on corporate dividends. For this reason, we have used some systematic risk components such as exchange rate risk, interest rate risk, and financial risk to measure risk management. In order to investigate the dividend of companies, we have used the variables of earnings per share, dividends, earnings growth per share, and dividend ratio. The research tool was a questionnaire whose reliability was confirmed based on the opinion of a group of faculty members and related experts and Cronbach's alpha coefficient was used to determine the reliability of different departments (0.78-0.92). Data were analyzed using Lisrel8.8 software. To analyze the collected data, first, descriptive statistics describing the main variables and demographic characteristics are examined. Then inferential statistics are presented. In inferential statistics, confirmatory factor analysis (CFA) with covariance-based approach was used by Lisrel8.8 software to assess the occasion of the measurement tool (questionnaire). Also, skolgi and elongation coefficients were used to investigate the type of data distribution. According to the type of questions raised in the questionnaire, an independent sample T-test was used to investigate the assumptions. The results of the hypothesis test indicate that risk management is directly related to corporate dividends. Manuscript profile

در این تحقیق به مقایسه کارایی دو روش پیش‌بینی شبکه عصبی مصنوعی (ANN) و روش سنتی خودرگرسیون میانگین متحرک انباشته (ARIMA) در پیش‌بینی قیمت سهام در بازار سهام ایران پرداخته شده است. بدین منظور 2 شرکت دارویی البرز‌دارو و جام‌دارو انتخاب شده و مدل ARIMA و مدل شبکه عصبی مصنوعی برای هر دو شرکت تخمین زده شد. به منظور تخمین مدل شبکه عصبی مصنوعی، متغیر قیمت سهام به عنوان متغیر وابسته و متغیر‌های حجم معاملات سهام، شاخص صنعت دارو، قیمت نفت اوپک، نرخ ارز و قیمت طلا به عنوان متغیر‌های مستقل در نظر گرفته شد. برای مقایسه دو مدل نیز از معیارهای MSE,RMSE,MAD,R2 و MAPE استفاده شد. به منظور تخمین مدل رگرسیون پیش‌بینی قیمت سهام از فرآیند خود‌رگرسیون میانگین متحرک انباشته (ARIMA) استفاده و تخمین ضرایب مدل با استفاده از نرم‌افزار آماری EVIEWS انجام شده و مدل شبکه عصبی مصنوعی(ANN) مناسب برای پیش‌بینی قیمت سهام نیز با استفاده از نرم‌افزار MATLAB ساخته شد. نتایج تحقیق نشان داد که فرضیه تحقیق در صورت تأثیر متغیر‌های کلان اقتصادی بر روی قیمت سهام صحیح بوده و مدل شبکه عصبی مصنوعی (ANN) پیش‌بینی بهتری از قیمت سهام در بازار سهام ایران در مقایسه با روش خود‌رگرسیون میانگین متحرک انباشته (ARIMA) دارد. Manuscript profile

پژوهش حاضر با هدف بکارگیری شبکه عصبی کانولوشن برای پیش بینی ورشکستگی شرکتها با استفاده از نسبتهای مالی تصویری انجام می‌گیرد. در دنیای به سرعت در حال تغییر، برای شناسایی تصاویر، شبکه‌های عصبی کانولوشن در مسائل مربوط به بسیاری از رشته‌ها بکار می‌روند. دوره زمانی پژوهش 1388 تا 1397 و شرکتهای نمونه از بین شرکتهای پذیرفته شده در بورس اوراق بهادار تهران و در قالب دو گروه شامل 66 شرکت ورشکسته و 66 شرکت غیر ورشکسته انتخاب شدند. از آنجا که کار شبکه عصبی کانولوشن شناخت تصاویر از بین تصاویر موجود است لذا ابتدا نسبتهای مالی به عنوان داده های پژوهش از طریق نرم افزار متلب 2019 به تصویر تبدیل و سپس با کمک شبکه عصبی کانولوشن و تحت معماری گوگل نت اقدام به تشخیص و پیش بینی وضعیت شرکتهای نمونه گردید. نتایج حاصل از تحلیل یافته‌ها نشان داد که مدل شبکه‌های عصبی کانولوشن در پیش بینی و شناخت از روی تصاویر، پیش بینی درستی با دقت 50 درصد از بین شرکتها انجام داد. به عبارتی در پیش بینی وضعیت تداوم فعالیت شرکتها 50 درصد از شرکتهای ورشکسته و 50 درصد از شرکتهای غیر ورشکسته را درست تشخیص داد. Manuscript profile