مقاله بررسی مؤلفههای تأثیرگذار بر پیشبینی سود نقدی سهام با استفاده از مدلهای ترکیبی: مورد صنعت شیمیایی
توجه : به همراه فایل word این محصول فایل پاورپوینت (PowerPoint) و اسلاید های آن به صورت هدیه ارائه خواهد شد
مقاله بررسی مؤلفههای تأثیرگذار بر پیشبینی سود نقدی سهام با استفاده از مدلهای ترکیبی: مورد صنعت شیمیایی دارای ۲۹ صفحه می باشد و دارای تنظیمات در microsoft word می باشد و آماده پرینت یا چاپ است
فایل ورد مقاله بررسی مؤلفههای تأثیرگذار بر پیشبینی سود نقدی سهام با استفاده از مدلهای ترکیبی: مورد صنعت شیمیایی کاملا فرمت بندی و تنظیم شده در استاندارد دانشگاه و مراکز دولتی می باشد.
توجه : در صورت مشاهده بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل فایل ورد می باشد و در فایل اصلی مقاله بررسی مؤلفههای تأثیرگذار بر پیشبینی سود نقدی سهام با استفاده از مدلهای ترکیبی: مورد صنعت شیمیایی،به هیچ وجه بهم ریختگی وجود ندارد
بخشی از متن مقاله بررسی مؤلفههای تأثیرگذار بر پیشبینی سود نقدی سهام با استفاده از مدلهای ترکیبی: مورد صنعت شیمیایی :
تعداد صفحات :۲۹
از آنجا که پیشبینی سود نقدی شرکتها یکی از منابع اطلاعاتی با ارزش برای سرمایهگذاران و دیگر افراد ذینفع است، پژوهش حاضر تلاش میکند مدلهایی برای پیشبینی متغیرهای تأثیرگذار بر سود نقدی سهام پیشنهاد کند. برای این کار از اطلاعات شرکتهای شیمیایی پذیرفته شده در بورس تهران بین سالهای ۱۳۸۵ تا ۱۳۸۹ استفاده شده است. متغیرهای مستقل این تحقیق نسبتهای حسابداری و متغیر وابسته سود نقدی سهام است. چارچوب مدل، ترکیبی از الگوریتمهای PSO-SVR و PSO-LARS است. الگوریتم PSO، ترکیب بهینهای از متغیرها که بر پیشبینی سود نقدی تأثیر گذارند را شناسایی میکند. سپس دادههای مربوط به متغیرهای انتخاب شده توسط PSO به طور جداگانه به الگوریتمهای SVR و LARS وارد میشوند و این الگوریتمها را آموزش میدهند. در ادامه الگوریتمهای SVR و LARS با دادههای ارزیابی آزموده میشوند و به این ترتیب میتوان خطای پیشبینی را اندازه گیری و روشها را با هم مقایسه کرد. نتایج این پژوهش نشان میدهد ترکیب الگوریتم PSO با الگوریتم SVR یا ترکیب PSO-LARS در مقایسه با استفاده از الگوریتمهای LARS و SVR به تنهایی میتواند پیشبینی بهتری از عوامل تأثیرگذار مورد نظر داشته باشد. ضمن این که در مقایسه دو روش ترکیبی PSO-LARS و PSO-SVR، خطای پیشبینی PSO-SVR کمتر است.
- در صورتی که به هر دلیلی موفق به دانلود فایل مورد نظر نشدید با ما تماس بگیرید.