The modelling of strategies for buying and selling in Stock Market Investment have been the object of numerous advances and uses in economic studies, both theoretically and empirically. One of the popular models in economic studies is applying the Semi-parametric Markov Switching models for forecasting the time series observations based on stock prices. The Semi-parametric Markov Switching models for these models are a class of popular methods that have been used extensively by researchers to increase the accuracy of fitting processes. The main part of these models is based on kernel and core functions. Despite of existence of many kernel and core functions that are capable in applications for forecasting the stock prices, there is a widely use of Gaussian kernel and exponential core function in these models. But there is a question if other types of kernel and core functions can be used in these models. This paper tries to introduce the other kernel and core functions can be offered for good fitting of the financial data. We first test three popular kernel and four core functions to find the best one and then offer the new strategy of buying and selling stocks by the best selection on these functions for real data. پرونده مقاله

شیرمحمد یعقوبیان[1]-بابک جمشیدی نوید[2]*- مهرداد قنبری[3]- آرش نادمی[4] تاریخ دریافت: 12/10/1398- تاریخ پذیرش:3/11/1398 چکیده: فرآیند مدیریت هزینه استراتژیک یک سیستم برنامه ریزی سود و مدیریت هزینه است که توسط قیمت فروش هدایت شده، با محوریت مشتری، متمرکز بر طراحی و بین چند دپارتمان می‌باشد. هزینه‌یابی هدفمند، مدیریت هزینه را در مراحل اولیه توسعه محصول آغاز نموده و با درگیر کردن فعال تمام زنجیره ارزش، در کل طول عمر محصول به کار می‌گیرد. فرآیند تصمیم‌گیری در هزینه یابی هدفمند، در بر گیرنده تیم‌های بین بخشی است که اعضا آن از واحد‌های مختلف (تولید، مهندسی، تحقیق و توسعه، بازاریابی، و مالی حسابداری) بوده و مسئولیت تعیین قیمت فروش قابل پذیرش، میزان برگشت از فروش متناظر با آن وهمین طور هزینه ممکن برای هر آیتم تولیدی را بر عهده دارند. این استراتژی مدیریت درصدد کاهش دادن هزینه‌ها بر می‌آید و می‌کوشد از طریق کاهش دادن هزینه‌ها در مقایسه با شرکت‌های رقیب به سهم بیشتری از بازار دست می‌یابد. سازمان‌ها بی مهابا درصدد افزایش کارایی برمی آید. در اجرای استراتژی حفظ ثبات و پایداری در الویت قرار می‌گیرد و شرکت به فکر نوآوری و خطر پذیری نیست بلکه به دنبال عرضه محصولات و خدمات به قیمت‌های رقابتی است. البته از کیفیت محصولات نمی کاهد و به سودی معقول تن در می‌دهد. [1]- دانشجوی دکتری، حسابداری، واحد کرمانشاه، دانشگاه آزاد اسلامی، کرمانشاه، ایران yaghobian7489@yahoo.com [2]- استادیار و عضو هیئت علمی، گروه حسابداری، واحد کرمانشاه، دانشگاه آزاد اسلامی، کرمانشاه، ایران: نویسنده مسئول jamshidinavid@iauksh.ac.ir [3]- استادیار و عضو هیئت علمی، گروه حسابداری، واحد کرمانشاه، دانشگاه آزاد اسلامی، کرمانشاه، ایران mehrdadghanbary@yahoo.com [4]- استادیار و عضو هیئت علمی، آمار، واحد ایلام، دانشگاه آزاد اسلامی، ایلام ، ایران nademiarash@gmail.com پرونده مقاله

The modeling of strategies for buying and selling in Stock Market Investment have been the object of numerous advances and uses in economic studies, both theoretically and empirically. One of the popular models in economic studies is applying the Semi-parametric Markov Switching models for fore-casting the time series observations based on stock prices. The Semi-parametric Markov Switching models for these models are a class of popular methods that have been used extensively by researchers to increase the accu-racy of fitting processes. The main part of these models is based on kernel and core functions. Despite of existence of many kernel and core functions that are capable in applications for forecasting the stock prices, there is a widely use of Gaussian kernel and exponential core function in these mod-els. But there is a question if other types of kernel and core functions can be used in these models. This paper tries to introduce the other kernel and core functions can be offered for good fitting of the financial data. We first test three popular kernel and four core functions to find the best one and then offer the new strategy of buying and selling stocks by the best selection on these functions for real data. پرونده مقاله

هرچند آسیب مغزی شدید می تواند افراد را مستعد ابتلا به اختلال روانی کند، در مورد آسیب تروماتیک مغزی خفیف هنوز جای بحث و بررسی وجود دارد. هدف این پژوهش مقایسه ی قدرت شبکه عصبی مصنوعی در پیش بینی بروز اختلال روانی بعد از تروما در بیماران دچار آسیب مغزی خفیف با رگرسیون لجستیک بود. برای این منظور در یک مطالعه کوهورت آینده نگر، 100 نفر بیمار ترومایی ارجاع شده به مرکز ترومای بیمارستان شهید بهشتی کاشان طی مدت 6 ماه بررسی و با 100 نفر از افراد سالم مقایسه شدند. برای مدل سازی، داده ها به طور تصادفی به دو گروه آموزشی (100 نفر) و آزمایشی (100 نفر) تقسیم شد و برای تخمین قدرت پیش بینی اختلال روانی از منحنی راک و صحت کلاسبندی استفاده شد. نتایج نشان داد، بین دو گروه بیماران تروماتیک خفیف و افراد سالم از نظر اختلالات روانی تفاوت معنی داری وجود دارد و مدلهای شبکه ی عصبی مصنوعی نسبت به مدلهای رگرسیون لجستیک کارایی بهتری نشان می دهند. این پژوهش نشان داد که برای پیش بینی اختلال روانی بایستی شاخص های تشخیص این فاکتور در ابتدای کار از بیماران ترومای مغزی خفیف سنجیده گردیده و سپس به کمک مدل شبکه ی عصبی مصنوعی، به پیش بینی این فاکتور پرداخته شود. لزوم استفاده از این فناوری در موارد غربالگری جمعیتی نتایج مفیدی را در درمان بیماران ترومایی و جلوگیری از بروز مشکلات احتمالی برای اینگونه بیماران دارد. پرونده مقاله