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

particle swarm algorithm

در نشریات گروه مالی
تکرار جستجوی کلیدواژه particle swarm algorithm در نشریات گروه علوم انسانی
تکرار جستجوی کلیدواژه particle swarm algorithm در مقالات مجلات علمی
  • وحید یوسفی، حمید رضا کردلوئی*، فائق احمدی، محمد حامد خان محمدی، نادر دشتی
    این تحقیق برآن است که دو الگوریتم کلونی مورچگان و الگوریتم پرواز پرندگان را جهت پیش بینی مدیریت سود بکار گرفته و مشخص نماید که کدام الگوریتم قدرت تبیین بیشتری دارد. برای دستیابی به هدف پژوهش، تعداد 163 شرکت به روش حذف سیستماتیک در بازه زمانی 1398-1392 انتخاب گردیده اند. داده های ترکیبی بوده و سیزده متغیر جهت بررسی الگوها در نظر گرفته شده که نهایتا هشت متغیر موثر شناخته و با استفاده از نرم افزار پایتون آزمون ها انجام شده است. نتایج نشان می دهد که مدیریت سود با دقت بیش از 97 درصد توسط هر دو الگوریتم قابل پیش بینی بوده اما توان پیش بینی مدل پرواز پرندگان در مدیریت سود تعهدی بیشتر بوده و این در صورتی است که الگوریتم کلونی مورچگان توان بیشتری در پیش بینی مدیریت سود واقعی دارد.
    کلید واژگان: مدیریت سود واقعی، مدیریت سود تعهدی، الگوریتم کلونی مورچگان، الگوریتم پرواز پرندگان
    Vahid Yousefi, HAMIDREZA KORDLOUIE *, Faegh Ahmadi, Mohammadhamed Khanmohammadi, Dashti Nader
    This study aims to use two ant colony algorithm and particle swarm algorithm to predict earning management and determine which algorithm has more explanatory power.To achieve the research goal, 163 companies have been selected by systematic elimination method in the period 2013-2019. The data are panel and thirteen variables have been considered to examine the models. Finally, eight variables have been identified as effective and tests have been performed using Python software. The results show that earnings management can be predicted with more than 97% accuracy by both algorithms, but the ability to predict the particle swarm model in accrual earnings management is higher, however ant colony algorithm has more power in predicting real earnings management.
    Keywords: Accrual earnings management, Ant Colony Algorithm, Particle Swarm Algorithm, Real Earnings Management
  • اسکندر وزیری، فرهاد دهدار*، محمدرضا عبدلی

    این پژوهش با هدف ارزیابی ریسک یکپارچه نظام بانکی از طریق الگوریتم های فراابتکاری گرگ خاکستری، ژنتیک و ازدحام ذرات به رشته تحریر در آمده است. این پژوهش از لحاظ هدف از نوع تحقیقات کاربردی و بر اساس ماهیت و روش از نوع همبستگی است. گردآوری داده ها، از راه مطالعات کتابخانه ای، مقالات و سایت ها در قالب قیاسی و گردآوری اطلاعات برای رد و تایید فرضیات از راه استقرایی انجام گردیده است. جامعه آماری این تحقیق،نظام بانکی و نمونه مورد مطالعه شامل بانکهای پذیرفته شده در بورس اوراق بهادار تهران طی سالهای مالی1392 تا 1397 می باشد. به منظور گردآوری داده های موردنیاز، از بانک داده های مالی وزارت امور اقتصادی و دارایی ،سایت کدال و... استفاده شده است. پس از استخراج اطلاعات، و تنظیم آنها در قالب مدل ریسک یکپارچه، تابع هدف و محدودیت ها در نرم افزار MATLAB وارد شده و متغیرهای ریسک و بازده با استفاده از الگوریتم های فراابتکاری ازدحام ذرات، ژنتیک و گرگ خاکستری به دست آمدند و به مقایسه نتایج آنها از طریق نرم افزار SPSS 16 پرداختیم. پس از بررسی نتایج حاصل از مقایسه شاخصهای ارزیابی الگوریتم ها مشخص گردید که الگوریتم گرگ خاکستری کارامدی بهتری را در بهینه سازی تابع هدف ارایه می دهد. همچنین با بررسی فرضیات تحقیق مشخص گردید که الگوریتم های ازدحام ذرات و ژنتیک از کارآمدی همسانی برای ارزیابی ریسک یکپارچه نظام بانکی برخوردار هستند و الگوریتم گرگ خاکستری نسبت به الگوریتم های توده ذرات و ژنتیک، ثبات و همگرایی بهتر و زمان اجرای کمتری داشته و شاخصهای ارزیابی بهتری را در حل مسیله ارایه می دهد.

    کلید واژگان: ریسک، ارزیابی ریسک، الگوریتم گرگ خاکستری، الگوریتم ژنتیک، الگوریتم ازدحام ذرات
    Eskandar Vaziri, Farhad Dehdar *, MohamadReza Abdoli

    aim of this study was to evaluate the integrated risk of the banking system through the metaphysical algorithms of gray wolf, genetics and particle swarming. This research is applied research in terms of purpose and correlational in nature and method. Data collection has been done through library studies, articles and sites in deductive form and data collection to refute and confirm hypotheses inductively. The statistical population of this research is the banking system and the sample includes banks listed on the Tehran Stock Exchange during the fiscal years 1392 to 1397. In order to collect the required data, the financial database of the Ministry of Economic Affairs and Finance, codal site, etc. have been used. After extracting the information, and setting them in the form of an integrated risk model, the objective function and constraints are entered in MATLAB software and the variables of risk and return (profit and loss on assets and Debts) were obtained using particle swarm algorithms, genetics and gray wolves and we compared their results using SPSS 16 software. After that, first the descriptive statistics were analyzed and then inferential statistics were performed. after reviewing the results of comparing the evaluation indicators of algorithms, it was determined that the gray wolf algorithm is efficient. Provides better goal function optimization. Also, by examining the research hypotheses, it was found that particle swarm algorithms and genetics have the same efficiency for assessing the integrated risk of the banking system. Provides better problem solving.

    Keywords: Risk, Risk Assessment, grey wolf algorithm, Genetic algorithm, Particle Swarm Algorithm
  • Bahman Talebi, Rasoul Abdi *, Zohreh Hajiha, Nader Rezaei
    The purpose of this study was to present an optimal model Predicting Future Cash Flows optimized neural network with genetic (ANN+GA) and particle swarm algorithms (ANN+PSO). In this study, due to the nonlinear relationship among accounting information, we have tried to predict future cash flows by combining artificial intelligence algorithms. Variables of accruals components and operating cash flows were employed to investigate this prediction; therefore, the data of 137 companies listed in Tehran Stock Exchange during (2009-2017) were analysed. The results of this study showed that both neural network models optimized by genetic and particle swarm algorithms with all variables presented in this study (with 15 predictor variables) are able to provide an optimal model Predicting Future Cash Flows. The results of fitting models also showed that neural network optimized with particle swarm algorithm (ANN+PSO) has lower error coefficient (better efficiency and higher prediction accuracy) than neural network optimized with ge-netic algorithms (ANN+GA).
    Keywords: Future Cash Flows, Neural Network Model, Genetic Algorithm, Particle swarm Algorithm
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