کاربرد الگوریتم ژنتیک در مدل بندی پیش بینی ورشکستگی
دانلود متن کاملرایگان، با حساب کاربری؛ ثبت نام با گوگل چند ثانیه است
چکیده
چکیده‌ای برای این سند ثبت نشده است.
پایان‌نامه‌های مشابه
کاربرد الگوریتم ژنتیک در ترکیب پیش بینی های نرخ ارز
کارشناسان اقتصادی و متخصصان بازارهای مالی همواره در پی یافتن روش هایی برای پیش بینی رفتار متغیرهای اقتصادی و مالی از جمله نرخ ارز بوده اند. مطالعات زیادی بر روی مدل های ساختاری و سری زمانی پیش بینی نرخ ارز انجام شده است. با این حال پیش بینی نرخ ارز همواره یک مسئله پیچیده بوده است
ترکیب مدل شبکه های عصبی مصنوعی با الگوریتم ژنتیک به منظور پیش بینی نرخ ارز و مقایسه آن با مدل های سری زمانی arima و garch
نرخ ارز از متغیر های تاثیر گذار بر اقتصاد است که همواه مورد توجه طیف وسیعی از اقتصاد دانان نیز بوده است . متغیر های بسیاری بر نرخ ارز تاثیر می گذارند که هم شامل عوامل اقتصادی می شود و هم عوامل غیر اقتصادی ، برخی در کوتاه مدت اثر گذارند و برخی در میان مدت و بلندمدت از این رو توصیف
بررسی قابلیت کاربرد مدل های پیش بینی ورشکستگی فالمر و زمیجوسکی در شرکت های پذیرفته شده در بورس اوراق بهادار تهران
دراین تحقیق توانایی نسبت های مالی برای پیش بینی ورشکستگی مالی در شرکت های پذیرفته شده در بورس اوراق بهادار مورد ارزیابی قرار گرفت. به همین منظور از مدل رگرسیون چندگانه و مدل رگرسیون لجستیک استفاده شد و دو مدل برای پیش بینی ورشکستگی مالی شرکت های پذیرفته شده در بورس تهران ارائه شد
بررسی مقایسه ای مدل های پیش بینی ورشکستگی فیلوسوفو و اسپرینگیت در شرکت های پذیرفته شده در بورس اوراق بهادار تهران
ورشکستگی شرکت ها یکی از عواملی است که منجر به هدر رفتن منابع و عدم بهره گیری از فرصت های سرمایه گذاری می شود. پیش بینی ورشکستگی می تواند با ارائه هشدارهای لازم ، شرکت ها را نسبت به وقوع درماندگی مالی و به دنبال آن ورشکستگی هشیار نماید تا آنها با توجه به این هشدارها ، دست به اقدام
اثر چرخه تجاری بر پایداری (ثبات) مدل های پیش بینی ورشکستگی تجاری
پژوهش حاضر به بررسی تأثیر چرخه تجاری بر پایداری الگوهای پیش بینی ورشکستگی در محیط اقتصادی ایران می پردازد. در این پژوهش چرخه تجاری ایران با استفاده از فیلتر هدریک پرسکات شناسایی شده و برای پیش بینی ورشکستگی از مدل های لاجیت و تحلیل تمایزی استفاده شده است. داده های مالی 118 شرکت پ
بکارگیری الگوریتم رقابت استعماری برای پیش بینی ورشکستگی با ارائه نمونه ای برای صنعت بانکداری
بحران مالی سال 2008 باعث شد ورشکستگی بیش از هر زمان دیگری در اقتصاد جهان اهمیت پیدا کند، عدم آگاهی کافی، مناسب و به موقع سرمایه گذاران از موقعیت بنگاه و ویژگی های محیط اقتصادی باعث عدم بهره وری و به هدررفتن فرصت های سرمایه گذاری گردید. تحقیقات صورت گرفته در این زمینه حاکی از تأثی
اسناد مشابه
کاربرد الگوریتم ژنتیک در ترکیب پیش بینی های تورم
پیشبینی تورم به عنوان یکی از الزامات سیاستگذاری پولی در کشورهایی تبدیل شده است که مقامات پولی آنها سیاست هدفگذاری تورم را تعقیب می کنند. چرا که به واسطة استقلال بانک مرکزی از سویی و واگذاری سیاستگذاری پولی به این نهاد و از سویی دیگر به واسطة اینکه بهطور عمده سیاستگذاری پو
بررسی دقت مدل های پیش بینی ورشکستگی ) مدل های آلتمن، شیراتا، اهلسون، زمیسکی، اسپرینگیت، سی ای اسکور، فولمر، ژنتیک فرج زاده و ژنتیک مک کی ( در بورس اوراق بهادار تهران
یکی از روش های پیش بینی تداوم فعالیت شرکتها، استفاده از الگوهای پیش بینی بحران مالی است. در این راستا پژوهش حاضر به بررسی درجه کارآمدی مدل های آلتمن، شیراتا، اهلسون، زمیسکی، اسپرینگیت، سی ای اسکور، فولمر، ژنتیک فرج زاده و ژنتیک مک کی در واقعی بودن نتایج پیش بینی ومقایسه کارآمدی و
بررسی کاربرد مدل های پیش بینی ورشکستگی آلتمن و فالمر در شرکت های پذیرفته شده در بورس اوراق بهادار تهران
پیش بینی ورشکستگی یکی از موضوعات اصلی طبقه بندی شرکت هاست. مالکان، مدیران، سرمایه گذاران، اعتباردهندگان، شرکای تجاری و همچنین موسسات دولتی علاقمند به ارزیابی وضعیت مالی شرکت هستند زیرا در صورت ورشکستگی هزینه های زیادی به آنها تحمیل می شود.امروزه مدل های مختلفی برای پیش بینی ورشکس
مقایسه کارایی تکنیک های تجزیه وتحلیل درونی و مقایسه ای داده در الگوریتم ژنتیک غیرخطی جهت پیش بینی سودآوری شرکت ها
هرچند دانسته ها در مورد روش تصمیم گیری استفاده کنندگان از صورت های مالی اندک است. اما به طور قطع می توان گفت بخشی از تصمیم گیری، به پیش بینی توانایی سودآوری آینده شرکت ها مربوط می شود. همچنین سودآوری به عنوان مبنایی برای ارزیـابی کـارایی مـدیران شرکت ها مورداستفاده قرار می گیرد.
کاربرد مدلهای شبکه عصبی در پیش بینی ورشکستگی اقتصادی شرکتهای بازار بورس
یکی از پیشرفته ترین مدلهای پیش بینی کننده ورشکستگی٬ مدل «شبکه عصبی مصنوعی» است. مطابق نتایج تحقیق ساختار اصلی پرسپترون سه و چهار لایه برای پیش بینی ورشکستگی شرکتها به مدلهایی شبیه یکدیگر منتهی می شود که در این میان شبکه سه لایه از قدرت پیش بینی بیشتری نسبت به شبکه چهار لایه برخور
کاربرد مدلهای شبکه عصبی در پیش بینی ورشکستگی اقتصادی شرکتهای بازار بورس
یکی از پیشرفته ترین مدلهای پیش بینی کننده ورشکستگی٬ مدل «شبکه عصبی مصنوعی» است. مطابق نتایج تحقیق ساختار اصلی پرسپترون سه و چهار لایه برای پیش بینی ورشکستگی شرکتها به مدلهایی شبیه یکدیگر منتهی می شود که در این میان شبکه سه لایه از قدرت پیش بینی بیشتری نسبت به شبکه چهار لایه برخور