مقایسه ی عملکرد شبکه های عصبی مصنوعی و مدل های خطی و پیش بینی بازده سهام
چکیده
چکیده‌ای برای این سند ثبت نشده است.
پایان‌نامه‌های مشابه
بررسی امکان جایگزینی باران تجمعی(cprecip) در نیمسال دوم با آب معادل برف (swe) توسط مدل شبکه عصبی مصنوعی به منظور پیش بینی دبی روزانه رودخانه ( مطالعه موردی : رودخانه تالار در استان مازندران )
پیش بینی جریان رودخانه به وسیله شبکه عصبی و تعیین پارامترهای موثر برای پیش بینی بهتر جریان رودخانه و همچنین بررسی پارامتر باران تجمعی بجای آب معادل برف در مناطقی که آمار و اطلاعات آبswe وجود ندارد.
مقایسه عملکرد مدل فاما و فرنچ و شبکه های عصبی مصنوعی در پیش بینی بازده سهام در بورس تهران
در پی توسعه بازارهای مالی، بحث پیش بینی نرخ بازدهی سهام به عنوان یکی از مهم ترین مباحث بازار های پول و سرمایه مطرح شده و در این راستا روشها و مدلهای متعددی برای پیش بینی نرخ بازده بازار ابداع شده و توسعه یافته اند. این تحقیق ، به مقایسه مدل سه عاملی فاما و فرنچ (ff) و مدل شبکه عص
پیش بینی بازده سهام با روش شبکه عصبی مصنوعی
پیش بینی در حسابداری از دیرباز مورد توجه متفکران و اندیشمندان این حرفه بوده است و پیش بینی بازده سهام برای دوره های آتی، از مهم ترین ضروریت های مدیریت واحدهای اقتصادی است. روشن است که خصوصیت عدم اطمینان، امر نامطلوبی است و از طرفی برای سرمایه گذارانی که بورس را به عنوان مکان سرما
مقایسه عملکرد شبکه عصبی و الگوریتم ژنتیک در پیش بینی بازده سهام
امروزه برنامه ریزی در اداره شرکت ها و کشور ها امری اجتناب ناپذیر است و پیش بینی ابزاری است که به این مهم کمک می کند. از این رو روش های مختلف پیش بینی مورد توجه قرار گرفتند. اخیراً بیشتر دست اندکاران پیش بینی به روش های هوش مصنوعی روی آورده اند. شبکه های عصبی مصنوعی قوی ترین ابزار
بررسی مقایسه ای الگوریتم ژنتیک و شبکه عصبی در ارائه مدل های پیش بینی قیمت سهام، مطالعه موردی فولاد مبارکه اصفهان
پیش بینی آینده همواره به صورت یک ضرورت در زندگی روزمره و به عنوان یک حوزه مشترک در بسیاری از علوم مطرح بوده است. یکی از حوزه هایی که در آن پیش بینی از اهمیت خاصی برخوردار است مسائل مالی و اقتصادی است. هدف این پژوهش پیش بینی قیمت سهام به صورت موردی سهام فولاد مبارکه اصفهان با استف
پیش بینی بازده سهام شرکت های پذیرفته شده در بورس اوراق بهادار تهران: مقایسه نظریه قیمت گذاری آربیتراژ و شبکه عصبی رگرسیونی
این تحقیق به پیش بینی پذیری رفتار بازده سهام شرکت های پذیرفته شده در بورس اوراق بهادار تهران با استفاده از نظریه قیمت گذاری آربیتراژ و شبکه عصبی رگرسیونی در قالب دو فرضیه می پردازد. در آزمون فرضیه اول، نظریه قیمت گذاری آربیتراژ با دو رویکرد تحلیل عاملی و به کارگیری متغیرهای کلان
اسناد مشابه
مقایسه عملکرد شبکه عصبی مصنوعی و ماشین بردار پشتیبان در تهیه مدل سه‌بعدی زون‌های کانی‌سازی (مطالعه موردی:کانسار مس پورفیری میدوک، ایران)
به دلیل ارتباط زون‌های کانی‌سازی با تغییرپذیری عیار در کانسارهای مس پورفیری، تهیه مدل سه بعدی این زون‌ها یکی از گام‌های پیش از تخمین در ارزیابی این تیپ کانسارها به شمار می‌آید. کیفیت این مدل تأثیر بسزایی بر کیفیت تخمین‌های ارائه شده برای عیار، طراحی مناسب استخراج بلندمدت و درنهای
ارزیابی کارایی روش‌پیش بینی موضعی ناشی از بازسازی فضای فاز و مدل شبکه عصبی مصنوعی به منظور پیش بینی رواناب (مورد مطالعاتی: ایستگاه پل کهنه، کرمانشاه)
در این تحقیق دو روش شبکه عصبی مصنوعی و روش بر پایه تئوری آشوب به منظور پیش بینی روزانه، هفتگی و ماهانه رواناب ایستگاه پل کهنه بر رودخانه قره سو به کار گرفته شده اند. نتایج حاصل از پیش بینی با استفاده از روش پیش بینی موضعی مبین نزدیکی نتایج با داده های مشاهداتی در مقیاس های روزانه
مقایسه عملکرد شبکه عصبی مصنوعی، ماشین بردار پشتیبان و مدل شیءگرا در پایش تغییرات سطح پوشش برف با استفاده از تصاویر چند زمانه لندست (مطالعه موردی: کوهستان الوند)
پوشش برف و تغییرات زمانی آن، از پارامترهای اساسی در بررسیهای هیدرولوژیکی و اقلیم شناسی میباشند. امروزه با استفاده از تصاویر ماهوارهای میتوان به ارزیابی تغییرات سطح پوشش برف در سریهای زمانی مختلف پرداخت. پژوهش حاضر با هدف پایش تغییرات سطح پوشش برف در کوهستان الوند همدان با استفاده
کاربرد شبکه عصبی- فازی انطباقی در پیش بینی قیمت سهام شرکت ایران خودرو
در این پژوهش با استفاده از سیستم استنتاج عصبی_فازی انطباقی اقدام به طراحی مدلی برای کشف روند موجود در قیمت سهام شرکت ایران خودرو در بورس اوراق بهادار تهران شده است. دوره زمانی مورد مطالعه این پژوهش سالهای 1388-1381 است که به دو دوره تقسیم شده است: دوره بلند مدت شامل اطلاعات 8 سال
کاربرد تجزیه و تحلیل طیف مخلوط نرمال شده (nsma) جهت استخراج مناطق ساخته شده شهری و استفاده از آن در شبکه عصبی مصنوعی (mlp) برای پیش بینی رشدآتی شهر
استفاده از تصاویر ماهواره ای با قدرت تفکیک مکانی متوسط به منظور شناسایی، نظارت و پیش بینی مناطق ساخته شده شهری در دهه های اخیر توسعه یافته است. مهم ترین گام در پیش بینی رشد مناطق شهری، استخراج ویژگی های سطح شهر با دقت و صحت بالا و مهم ترین چالش در این راه پیچید گی عوارض شهری و مس
مقایسه عملکرد شبکه عصبی مصنوعی بهینه شده با الگوریتم رقابت استعماری و جهش قورباغه مخلوط شده برای پیش‌بینی الگوی توزیع کفشدوزک هفتنقطهای Coccinella septempunctata در مزرعه یونجه شهرستان زرقان
امروزه تشریح الگوهای پراکندگی حشرات با استفاده از روشهای درونیابی و تخمین تراکم مورد توجه بسیاری از محققین قرار گرفته است. این پژوهش به منظور پیش بینی و ترسیم نقشه توزیع مکانی کفشدوزک هفتنقطهای با استفاده از شبکه‌های عصبی پرسپترون چندلایه (MLP) ترکیب شده با الگوریتم رقابت استعمار