به جمع مشترکان مگیران بپیوندید!

تنها با پرداخت 70 هزارتومان حق اشتراک سالانه به متن مقالات دسترسی داشته باشید و 100 مقاله را بدون هزینه دیگری دریافت کنید.

برای پرداخت حق اشتراک اگر عضو هستید وارد شوید در غیر این صورت حساب کاربری جدید ایجاد کنید

عضویت
جستجوی مقالات مرتبط با کلیدواژه

sine-cosine algorithm

در نشریات گروه علوم انسانی
تکرار جستجوی کلیدواژه sine-cosine algorithm در مقالات مجلات علمی
  • محسن مقری گردرودباری، ایمان داداشی*، بهرام محسنی ملکی، علی ذبیحی

    درآمدهای مالیاتی یکی از مهم ترین منابع درآمدی دولت و تامین کننده بخش عمده ای از هزینه های آن می باشد. هدف اصلی پژوهش حاضر، ارزیابی توان پیش بینی تکنیک های الگوریتم درخت تصمیم و رگرسیون چند متغیره خطی در پیش بینی فرار مالیاتی مودیان حقوقی بوده است. براساس مبانی نظری و پیشینه پژوهش های صورت گرفته در این حوزه، مجموعه ای متشکل از 57 شاخص مالی و غیرمالی در سه سطح کلان اقتصادی، مودیان و حسابرسان مالیاتی، در نمونه ای مشتمل بر 964 پرونده مالیاتی اشخاص حقوقی اداره کل امور مالیاتی مازندران برای سال های 1391 لغایت 1398 با استفاده از نرم افزار متلب و استاتا مورد بررسی قرار گرفته است. در این پژوهش، پس از انتخاب متغیرهای اثرگذار با استفاده از الگوریتم شناسایی سینوس-کسینوس، اقدام به پیش بینی فرار مالیاتی با بهره گیری از تکنیک های الگوریتم درخت تصمیم و رگرسیون شده است. نتایج حاصل از بررسی داده ها نشان داد که متغیرهای سطح مودیان و حسابرسان مالیاتی جهت پیش بینی فرار مالیاتی اثربخشی بیشتری دارند. همچنین یافته ها حاکی از آن بوده که توان پیش بینی الگوریتم درخت تصمیم نسبت به رگرسیون چند متغیره خطی، بیشتر است.

    کلید واژگان: فرار مالیاتی، الگوریتم سینوس کسینوس، الگوریتم درخت تصمیم، رگرسیون
    Mohsen Moghri Gurderobari, Iman Dadashi*, Bahram Mohseni Maleki, Ali Zabihi

    Tax revenues are one of the most important sources of government income and provide a major part of its expenses. The main goal of this research is which of the decision tree algorithm and linear multivariate regression methods provides a better prediction of tax evasion of legal taxpayers. Based on the theoretical foundations and background studies of a set of variables including 57 financial and non-financial indicators at three macroeconomic levels, taxpayers and tax auditors, in a sample consisting of 964 cases of legal entities at the level of the Mazandaran General Administration of Tax Affairs for the years 2012 to 2019 with The use of Python and Stata software has been investigated. At first, the sine-cosine identification algorithm was used to select the influencing variables. The results of the data analysis showed that the variables at the level of taxpayers and tax auditors are more effective in predicting tax evasion. Also, the findings indicate that the predictive power of the decision tree algorithm is higher than the linear multivariate regression

    Keywords: Tax evasion, Sine-cosine algorithm, Decision tree algorithm, Regression
  • سید علی حسینی، علی اسماعیل زاده مقری*، آزیتا جهانشاد

    انتخاب بهینه سبد سهام یک مسئله بهینه سازی است که توسط الگوریتم های فراابتکاری قابل حل است. قدرت جستجو در الگوریتم فراابتکاری ارتباط مستقیم با دقت انتخاب بهترین سهام در سبد پرتفوی دارد. الگوریتم هوش جمعی سالپ از الگوریتم های فراابتکاری جدید است که در انتخاب سبد بهینه سهام، نتایج خوبی داشته است. در این تحقیق راهکاری جدید جهت تقویت قدرت جستجو در الگوریتم هوش جمعی سالپ با استفاده از الگوریتم سینوس کسینوس ارایه شده است. در تحقیقات مشاهده می شود که مدل ریاضی میانگین واریانس مارکویتز یکی از اصلیترین راهکارها جهت انتخاب بهینه سبد سهام است اما بهتر است معیارهایی همچون چولگی با در نظر گرفتن پتانسیل آینده سهام نیز بررسی شود. در این تحقیق از 20 شرکت اول از 50 شرکت برتر سه ماهه اول سال 1398 استفاده شده است. در این تحقیق با استفاده از شبکه عصبی روبه جلو، پیش بینی قیمت پایانی آینده سهام انجام شده و سپس با استفاده از الگوریتم جدید هوش جمعی سالپ سینوسی کسینوسی جهت انتخاب بهینه سبد سهام استفاده می شود. نتایج تحقیق بیانگر آن است که مدلهای ارایه شده در این مقاله، در مقایسه با روش های سنتی و شاخص بازار، بازدهی بالاتری را برای سرمایه گذاران فراهم می نماید.

    کلید واژگان: سبد بهینه سهام، الگوریتم هوش جمعی سالپ، الگوریتم سینوس کسینوس، شبکه های عصبی روبه جلو
    Seyed Ali Hoseini, Ali Esmaeilzadeh Maghari *, Azita Jahanshad

    Optimal stock portfolio selection is an optimization problem that can be solved by meta-heuristic algorithms. The search power of the meta-innovation algorithm is directly related to the accuracy of selecting the best stocks in the portfolio portfolio. salp swarm algorithm is one of the new meta-heuristic algorithms that has had good results in selecting the optimal stock portfolio. In this research, a new solution to strengthen the search power in salp swarm algorithm using cosine sine algorithm is presented. Research shows that all-in-one is one of the best ways to choose the best portfolio, but it is also important to consider the future as well. In the first twenty years of the stock market, from the first fifty years of 1398. In this research, using the forward neural network, the future final price of stocks is predicted and by new method for of cosine sine salp swarm algorithm is used to select the optimal stock portfolio. The results indicate that the model presented in this article, compared to traditional methods and market index, provides a higher yield for investors.

    Keywords: Optimal Stock Portfolio, combined salp swarm algorithm, sine cosine algorithm, forward neural networks
نکته
  • نتایج بر اساس تاریخ انتشار مرتب شده‌اند.
  • کلیدواژه مورد نظر شما تنها در فیلد کلیدواژگان مقالات جستجو شده‌است. به منظور حذف نتایج غیر مرتبط، جستجو تنها در مقالات مجلاتی انجام شده که با مجله ماخذ هم موضوع هستند.
  • در صورتی که می‌خواهید جستجو را در همه موضوعات و با شرایط دیگر تکرار کنید به صفحه جستجوی پیشرفته مجلات مراجعه کنید.
درخواست پشتیبانی - گزارش اشکال