این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
دانش حسابداری، جلد ۸، شماره ۳، صفحات ۷-۳۴
عنوان فارسی ترکیب شبکه عصبی، الگوریتم ژنتیک و الگوریتم تجمع ذرات در پیش‌بینی سود هر سهم
چکیده فارسی مقاله پیش‌بینی سود هر سهم از اهمیت فراوانی برای سرمایه‌گذاران و مدیران داخلی شرکت‌ها برخوردار است. بررسی پژوهش‌های قبلی حاکی از این بوده است که در اکثر آن‌ها، به فرضیه وجود رابطه غیرخطی میان سود وعوامل تعیین‌کننده آن توجه نشده است. این در حالی است برخی از پژوهشگران نشان داده‌اند که رابطه میان سود و عوامل تعیین‌کننده آن خطی نیست. به همین دلیل و همچنین نقش محوری سود هر سهم در تصمیمات سرمایه‌گذاران، با استفاده از مدل‌های مختلف شبکه عصبی مصنوعی و مدل‌های سری زمانی، سود هر سهم میان‌دوره‌ای 126 شرکت‌ پذیرفته‌ شده در بورس اوراق بهادار تهران طی سال‌های 1389 تا 1395 بررسی و پیش‌بینی‌ شده است. در ادامه و در گام بعدی برای تعیین متغیرهای ورودی مؤثر بر سود هر سهم از الگوریتم بهینه‌سازی ژنتیک و تجمع ذرات استفاده شده است. به‌کارگیری روش ترکیبی شبکه عصبی مصنوعی، الگوریتم ژنتیک و الگوریتم تجمع ذرات می‌تواند علاوه بر استفاده از روش‌های نوین برای پیش‌بینی سود هر سهم، سرمایه‌گذاران را نیز در تصمیم‌گیری‌های آتی یاری ‌رساند. نتایج نشان می‌دهد روش پیشنهادی قادر است تا متغیرهای ورودی مؤثر بر سود هر سهم را از میان تمام متغیرهای ورودی استخراج و توانایی و قدرت تعمیم شبکه عصبی مصنوعی را افزایش دهد.
کلیدواژه‌های فارسی مقاله پیش‌بینی سود هر سهم، شبکه های عصبی، الگوریتم ژنتیک،
عنوان انگلیسی Forecasting EPS o with Hybrid Genetic algorithm, particle swarm optimization and Neural networks
چکیده انگلیسی مقاله Forecasting earnings per share (EPS) are among the most important and crucial tasks for both outside investors and internal managers. The focus of most articles in literature is forecasting EPS with linear methods. Researchers rarely employ nonlinear models to forecast EPS. However some researchers show that nonlinearities exist in the relation between EPS and its determinants. This finding of nonlinearities provides support for the use of non-linear models in the field of earnings per share.In this paper, the model based on an Artificial Neural Network (ANN) to predict EPS is proposed. After that, ANN model was optimized by Genetic Algorithm and particle swarm optimization. The Genetic Algorithm and particle swarm optimizations used to select the most relevant input variables because selection of input variables is a key stage in building predictive models, In this paper, The Genetic Algorithm and particle swarm optimizations used to select the effective variables on the EPS using a sample of 131 companies listed in the Tehran Stock Exchange through for the years 1389_1391.The results reveals that the genetic algorithm and swarm optimization is able to extract the effective variables on the EPS amongst the factors affecting EPS, and also have been caused improve power capabilities and expansion of neural network structure.
کلیدواژه‌های انگلیسی مقاله
نویسندگان مقاله سجاد نقدی |
دانشجو

محمد عرب مازار یزدی | arabmazar yazdi
هیئت علمی شهید بهشتی

نشانی اینترنتی http://jak.uk.ac.ir/article_1757_4e342a267103f7c4c72dd54d1622c6e7.pdf
فایل مقاله اشکال در دسترسی به فایل - ./files/site1/rds_journals/796/article-796-516373.pdf
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات