یکی از مهمترین موضوعات مطرح در حوزه مدیریت مالی، آن است که سرمایهگذاران فرصتهای مطلوب سرمایهگذاری را از فرصتهای نامطلوب تشخیص دهند. در راستا، یکی از راههای کمک به سرمایهگذاران ارائهی مدلهای پیشبینی درماندگی مالی شرکتها است. با توجه به مطالعات مختلفی که برای چکیده کامل
یکی از مهمترین موضوعات مطرح در حوزه مدیریت مالی، آن است که سرمایهگذاران فرصتهای مطلوب سرمایهگذاری را از فرصتهای نامطلوب تشخیص دهند. در راستا، یکی از راههای کمک به سرمایهگذاران ارائهی مدلهای پیشبینی درماندگی مالی شرکتها است. با توجه به مطالعات مختلفی که برای توسعه این دسته از مدلها انجام گرفتهاند، در پژوهش حاضر از ترکیب تکنیکهای شبکه عصبی مصنوعی و الگوریتم ژنتیک بر مبنای نسبتهای پیشبینی زیمنسکی برای مدلسازی پیش-بینی درماندگی مالی استفاده شده است. جامعه آماری تحقیق، شامل شرکتهای سهامی عام حاضر در بورس اوراق بهادار تهران است که طی دوره زمانی مهر 1392 تا مهر 1394 در بورس فعالیت داشتهاند که از میان آنها، 66 شرکت درمانده و 150 شرکت سالم با روش غربالسازی بهعنوان نمونه انتخاب شدهاند. نتایج نشان میدهند که شبکه عصبی و الگوریتم ژنتیک در پیشبینی درماندگی مالی از قدرت برابر (95 درصد) برخوردارند، با این وجود، خطای پیشبینی در شبکه عصبی در مقایسه با الگوریتم ژنتیک پایینتر است.
پرونده مقاله
طراحی مدارهای مجتمع آنالوگ با پیچیدگی بالا، نیازمند انتخاب مناسب پارامترهای مختلف طراحی مثل نسبت عرض به طول کانال، مقدار خازن جبران و خازن بار است، بهنحوی که در اثر این تغییرات، پارامترهای مطلوب کاربران مانند بهره، پهنای باند، توان مصرفی و حاشیه فاز، بهبود یابد. با چکیده کامل
طراحی مدارهای مجتمع آنالوگ با پیچیدگی بالا، نیازمند انتخاب مناسب پارامترهای مختلف طراحی مثل نسبت عرض به طول کانال، مقدار خازن جبران و خازن بار است، بهنحوی که در اثر این تغییرات، پارامترهای مطلوب کاربران مانند بهره، پهنای باند، توان مصرفی و حاشیه فاز، بهبود یابد. با توجه به کارهای انجام شده در این زمینه، در این مقاله یک تقویتکننده عملیاتی دو طبقه با زوج ورودی پی موس (PMOS) و جبرانساز میلر، بهکمک یک شبکه عصبی مصنوعی طراحی شده است. دادههای ورودی شبکه عصبی، چهار پارامتر عملکرد مداری یعنی بهره فرکانس پایین، پهنای باند، توان مصرفی و حاشیه فاز است و در خروجی، مقدار عرض و طول کانال ترانزیستورها، منبع جریان مرجع، خازن جبران و خازن بار حاصل میشود. در این طراحی، از روش نمونه برداری مبتنیبر شبیهسازیهای موازی اچ-اسپایس برای گردآوری داده از فضای 15 بعدی طراحی استفاده شده است که منجر به سادگی و خودکارسازی فرایند تهیه مجموعه دادههای آموزشی و کاهش زمان نمونه برداری شده است و سپس این دادهها برای آموزش مدل عصبی استفاده شدهاند. در مرحله بعد، از روش نمونهبرداری بازهای برای ایجاد طراحیهای جدیدی از مدل عصبی آموزشدیده، بهره گرفته شده که باعث سهولت فرایند طراحی شده است و امکان انجام انواع مصالحه مورد نظر کاربر بین پارامترهای عملکرد مختلف تقویتکننده را فراهم کرده است. همچنین اگر ضریب شایستگی (FOM) از تقسیم حاصلضرب پهنای باند واحد در خازن بار به توان مصرفی به دست آید، مقایسه طراحیهای حاصل شده از روش ارائه شده در این مقاله، با برخی از روشهای به کار رفته برای طراحی تقویتکنندههای عملیاتی با ساختار مشابه در مطالعات قبلی، نشان میدهد که این پارامتر، حداقل 154 درصد افزایش یافته است.
پرونده مقاله
سرمایه گذاری در سهام عرضه شده در بورس اوراق بهادار یکی از گزینه های پرسود در بازار سرمایه است. بازار سهام دارای سیستمی غیر خطی و آشوب گونه است که تحت تأثیر شرایط سیاسی، اقتصادی و روانشناسی می باشد و می توان از سیستم های هوشمند غیرخطی همچون شبکه های عصبی مصنوعی، شبکه های چکیده کامل
سرمایه گذاری در سهام عرضه شده در بورس اوراق بهادار یکی از گزینه های پرسود در بازار سرمایه است. بازار سهام دارای سیستمی غیر خطی و آشوب گونه است که تحت تأثیر شرایط سیاسی، اقتصادی و روانشناسی می باشد و می توان از سیستم های هوشمند غیرخطی همچون شبکه های عصبی مصنوعی، شبکه های عصبی فازی و الگوریتم های ژنتیک برای پیش بینی بازده سهام استفاده نمود. در این مقاله به طراحی و ارائه ی یک مدل پیش بینی بازده سهام با استفاده از نسبت های مالی با رویکردهای شبکه عصبی مصنوعی و الگوریتم های ژنتیکی و کاهش خطای پیش بینی بازده سهام پرداخته شده است. در ادامه پس از طراحی و پیاده سازی مدل شبکه های عصبی مصنوعی و الگوریتم های ژنتیک، با استفاده از 6 معیار سنجش عملکرد برای پیش بینی، نتایج دو رویکرد مورد مقایسه گرفته است. نتایج نشان می دهد که رویکرد الگوریتم های ژنتیک نسبت به رویکرد شبکه های عصبی مصنوعی، پیش بینی های بسیار مناسب تری داشته و از سرعت بالاتر و توانایی تقریب قوی تری برای پیش بینی بازده سهام برخوردار بوده است.
پرونده مقاله
چکیده
با توجه به شرایط اقتصادی امروز کشور، تعداد شرکتهای درمانده و اهمیت درماندگی مالی روزبهروز در حال افزایش است. افزایش عوامل اقتصادی تأثیرگذار بر درماندگی مالی نیز بر پیچیدگی تصمیمگیری در سرمایهگذاری این شرکتها افزوده است. به همین منظور رویکرد ارائهشده در این چکیده کامل
چکیده
با توجه به شرایط اقتصادی امروز کشور، تعداد شرکتهای درمانده و اهمیت درماندگی مالی روزبهروز در حال افزایش است. افزایش عوامل اقتصادی تأثیرگذار بر درماندگی مالی نیز بر پیچیدگی تصمیمگیری در سرمایهگذاری این شرکتها افزوده است. به همین منظور رویکرد ارائهشده در این پژوهش با در نظر گرفتن انواع معیارهای مالی، امکان پویاسازی پیشبینی درماندگی مالی را برای این تصمیمگیرندگان فراهم می سازد. رویکرد معرفیشده در این پژوهش ابتدا با خوشهبندی شرکت ها در خوشه متناسب درمانده مالی و غیر درمانده به کمک روش شبکه عصبی مصنوعی، نگاشت خودسازمانده (SOM) اقدام و سپس با بهرهگیری از روش تحلیل پوششی دادهها مبتنی بر بدترین عملکرد (WPF-DEA) نسبت به پیشبینی پویا درماندگی مالی شرکتهای پذیرفتهشده در بورس اوراق بهادر تهران اقدام گردید. با بهرهگیری از روش یادشده 105 شرکت ارزیابی گردید و نتیجه ناکارایی این شرکتها در طول 5 دوره زمانی از سال 1395 الی 1399 پیشبینی شد. مدل تحلیل پوششی دادههای پویا مبتنی بر بدترین عملکرد، توان ارزیابی ناکارایی واحدهای مورد بررسی اعم از شرکتهای عضو سازمان بورس و اوراق بهادار را دارا است. تحلیل پوششی دادهها توانسته است بهصورت موفقیتآمیزی درماندگی مالی شرکتها را بهعنوان واحدهای تصمیم ناکارا شناسایی نماید
پرونده مقاله
سکوی نشر دانش
سند یا سکوی نشر دانش ،سامانه ای جهت مدیریت حوزه علمی و پژوهشی نشریات دانشگاه آزاد می باشد