چکیدهانتخاب نرم‌افزار حسابداری مناسب به موضوعی بسیار مهم برای سازمان‌ها تبدیل‌شده است. به‌گونه‌ای که سازمان‌ها متقاضی استفاده از خدمات مشاوره در انتخاب بسته نرم‌افزاری مناسب شده‌اند؛ چراکه انتخاب نامناسب ممکن است منجر به خسارات مالی بزرگ شود. شاخص‌های تأثیرگذار بر انتخاب نرم‌افزارهای حسابداری باید پیش از تهیه نرم‌افزار در نظر گرفته شوند. در رویارویی با چنین تصمیم مهمی، حسابداران، مدیران و مشاوران حرفه‌ای، همگی، برای رهایی از تصمیم‌گیری ذهنی نیاز به شاخص‌هایی برای رتبه‌بندی این بسته‌های نرم‌افزاری دارند. هدف این مقاله شناسایی و تبیین عوامل اصلی است که سازمان باید در تصمیم‌گیری خود برای انتخاب نرم‌افزار مناسب در نظر گیرد. به کمک روش دلفی، پرسشنامه پژوهش در معرض نظرخواهی خبرگان قرارگرفته است. این شاخص‌ها در قالب دو بُعد و ده مؤلفه دسته‌بندی‌شده‌اند. این دو بُعد عبارت‌اند از ویژگی‌های نرم‌افزار حسابداری و ویژگی‌های تولیدکننده نرم‌افزار. نتایج پژوهش نشان می‌دهد که سه مؤلفه قابلیت اعتماد نرم‌افزار، فناوری و امنیت از بُعد ویژگی‌های نرم‌افزار حسابداری و نیز دو مؤلفه نگهداری و ارتقاء نرم‌افزار، و شهرت تولیدکننده نرم‌افزار از بُعد ویژگی‌های تولیدکننده نرم‌افزار دارای بیشترین تأثیر در انتخاب نرم‌افزار مناسب است Manuscript profile

چکیده یکی از روش های محبوب اما پیچیده در تحلیل تکنیکال، روش امواج الیوت است. در این روش مهمترین بخش، تشخیص الگوهای روند اصلی بازار است که با توجه به ساختار فراکتال بازار، کاری دشوار است. اما همانند سایر حوزه ها، بکارگیری هوش مصنوعی در زمینه ی پیش بینی های مالی نیز بسیار فراگیر شده است. لذا به نظر می رسد بکارگیری هوش مصنوعی در تحلیل به روش امواج الیوت، جذاب باشد. لذا در پژوهش حاضر با معرفی مدل یادگیری عمیق جهت پیش بینی بازار از طریق تشخیص الگوهای امواج الیوت، به بررسی و مقایسه ی توان مدل در دو حالت طبقه بندی دوتایی و چندتایی پرداخته شده است. در این پژوهش برای 15 الگوی مدنظر، تعداد 1002 نمونه از نمودارهای قیمت سهام شرکت های حاضر در بورس ایران در دوره 11 ساله 1390 تا 1400، جمع آوری و برچسب گذاری گردید و نهایتاً برای تشخیص به عنوان ورودی به الگوریتم یادگیری عمیق با بکارگیری مدل شبکه های عصبی بازگشتی، در دو حالت طبقه بندی دوتایی و چندتایی وارد گردید. در این پژوهش جهت طراحی و اجرای مدل از نرم افزار RapidMiner 9.9 و جهت تعیین توان مدل از معیار صحت استفاده شد. نتایج حاصل نشان دهنده ی صحت %18 در تشخیص الگوها در حالت طبقه بندی چندتایی و صحت 61% در حالت طبقه بندی دوتایی است. لذا توان مدل یادگیری عمیق در تشخیص الگوهای فراکتال امواج الیوت و در نتیجه پیش بینی روند بازار، در حالت طبقه بندی دوتایی به طور قابل توجهی نسبت به حالت طبقه بندی چندتایی بالاتر است. بنابراین پژوهش حاضر بکارگیری مدل یادگیری عمیق با طبقه بندی دوتایی را جهت تشخیص الگوهای فراکتال امواج الیوت توصیه می نماید. Manuscript profile

چکیدههدف مقاله، توسعه مدلی جهت ارزیابی کیفیت اطلاعات واحدهای گزارشگر با استفاده از مدلسازی شبکهای تحلیل پوششی دادهها است. انگیزه پژوهش، ماهیت چندبعدی مفهوم کیفیت اطلاعات از منظر شاخصها و پیامدهای کیفیت اطلاعات و توانمندی مدلهای تحلیل پوششی دادهها در ارزیابی کارایی واحدهای تصمیمگیرنده (در اینجا واحدهای گزارشگر) بر اساس ورودیها و خروجیهای چندگانه است. بر این اساس، مهمترین شاخصها و پیامدهای کیفیت اطلاعات، با استفاده از پیشینهپژوهی استخراج شده و بنا به ارتباط آنها با مفهوم کیفیت اطلاعات، در قالب ورودی و خروجی مراحل دوگانه پیامدی مدل شبکهای تحلیل پوششی دادهها قرار گرفته و کارایی اطلاعات واحدهای گزارشگر با استفاده همزمان از شاخصها و پیامدهای کیفیت اطلاعات اندازه گیری شده است. نتایج حاکی از تفاوت کارایی اطلاعات واحدهای گزارشگر در مراحل مختلف است که نشاندهنده ضعف دیدگاه سنتی مدلهای تحلیل پوششی دادهها در ارزیابی کارایی واحدهای تصمیمگیرنده است. افزون بر این، کارایی واحدها در مرحله شاخصهای کیفیت اطلاعات، بالاتر از کارایی آنها در مرحله تبدیل شاخصها به پیامدهای کیفیت اطلاعات است و کارایی شبکه که حاصل بهینهسازی تمام مراحل مجزای شبکه است، در جایی بین کارایی مراحل قرار میگیرد. از دیگر نتایج پژوهش علاوه بر ارائه یک رقم منحصر به فرد کارایی شبکه، توضیح دلایل ناکارایی شبکه و اجزا و معرفی الگوهای مرجع جهت بهینهسازی ورودیها و خروجیهای هر مرحله و تعیین مسیر دستیابی به مرز کارایی است. Manuscript profile

چکیده پژوهش حاضر به بررسی ارتباط بین ارزش نهایی وجه نقد و ظرفیت بدهی استفاده نشده بر سرعت تعدیل سود تقسیمی سهام با توجه به نقش تعدیل کنندگی شوک نقدینگی می‌پردازد. برای اندازه‌گیری سرعت تعدیل سود تقسیمی سهام که معیاری برای سنجش هموارسازی سود بوده، از رگرسیون غلتان با توجه به مدل لینتنر و همچنین جهت سنجش ظرفیت بدهی استفاده نشده و ارزش نهایی وجه نقد که شاخصی برای اندازه‌گیری انعطاف‌پذیری مالی است، از روش دی جانگ و همکاران و فالکندر و وانگ استفاده شده است. با توجه به محدودیت‌های تحقیق، 105 شرکت پذیرفته شده در بورس اوراق بهادار تهران طی دوره زمانی 1399-1390 مورد بررسی قرار گرفته اند. یافته های تحقیق نشان می‌دهد ارزش نهایی وجه نقد و ظرفیت بدهی استفاده نشده بر سرعت تعدیل سود تقسیمی سهام تأثیر معناداری ندارد. همچنین شوک نقدینگی تاثیری بر ارتباط بین ارزش نهایی وجه نقد و ظرفیت بدهی استفاده نشده بر سرعت تعدیل سود تقسیمی سهام ندارد. براساس نتایج بدست آمده، در توجیه رابطه مثبت بین ارزش نهایی وجه نقد و سرعت تعدیل سود تقسیمی می توان گفت هر شرکتی که انعطاف‌پذیری مالی بالاتری داشته باشد، در مجموع با ریسک کمتری مواجه بوده و موجب بهبود عملکرد مدیران هنگام استفاده از فرصت های رشد و سرمایه‌گذاری شده و در نهایت هموارسازی سود تقسیمی آنها بالاتر است. همچنین در توجیه رابطه منفی بین ظرفیت بدهی استفاده نشده و سرعت تعدیل سود تقسیمی می توان گفت هر شرکتی که ظرفیت بدهی استفاده نشده بالاتری داشته باشد، هموارسازی سود تقسیمی آنها پایین‌تر است. Manuscript profile

امروزه هوش مصنوعی در تشخیص الگوهای نموداری در تحلیل تکنیکال تحولی بزرگ ایجاد کرده است. البته ظهور روش‌‌های جدید و پیچیده‌ در تحلیل تکنیکال، هر بار چالش نویی برای روش‌‌‌‌های هوش مصنوعی فراهم کرده است. از جمله روش‌های مورد‌ اقبال و پیچیده‌ی تحلیل تکنیکال، تئوری امواج الیوت است. از طرف دیگر سرعت پیشرفت روش‌های هوش مصنوعی نیز به گونه ای است که هر بار روشی قدرتمندتر معرفی می‌گردد. از جمله روش‌های نوین و قدرتمند هوش مصنوعی روش یادگیری عمیق است. لذا در پژوهش حاضر به ارائه‌ی مدلی جهت پیش‌بینی روند بازار سهام از طریق تشخیص الگوهای فراکتال مبتنی بر تئوری امواج الیوت با استفاده از روش یادگیری عمیق پرداخته شده است. در این پژوهش تعداد 15 الگوی امواج الیوت مدنظر قرار گرفت و سپس تعداد 1002 نمونه از نمودارهای قیمت سهام شرکت های حاضر در بورس ایران، برای الگوها جمع آوری و برچسب گذاری گردید و نهایتاً برای تشخیص به عنوان ورودی به الگوریتم یادگیری عمیق با بکارگیری مدل شبکه های عصبی بازگشتی وارد گردید. در این پژوهش از نرم افزار RapidMiner 9.9 و جهت تعیین توان مدل از معیار صحت استفاده شد. نتایج حاصل نشان دهنده‌ی صحت 61 درصدی در تشخیص الگوها توسط مدل است. Manuscript profile

ریسک سقوط قیمت سهام ریسکی است که نشان می دهد تا چه اندازه قیمت سهام خاص درمعرض خطر سقوط قرار دارد. بر همین اساس هدف این پژوهش، مدل بندی پیش بینی خطر سقوط قیمت سهام شرکتهای پذیرفته شده در بورس اوراق بهادار تهران، با استفاده از الگوریتم بهینه سازی حرکت تجمعی ذرات بر مبنای مدل چند متغیره و مقایسه نتایج با رگرسیون لوجستیک می باشد. بدین منظوریک فرضیه برای بررسی این موضوع تدوین و داده های مربوط به 106 شرکت عضو بورس اوراق بهادار تهران برای دوره ی زمانی بین سال های 1389تا 1393 مورد تجزیه و تحلیل قرار گرفت. ابتدا 14 متغیر مستقل به عنوان ورودی الگوریتم ترکیبی ژنتیک و شبکه عصبی مصنوعی که به عنوان یک روش انتخاب ویژگی در نظر گرفته شده است، وارد مدل گردید و 7 متغیر بهینه انتخاب شد سپس با استفاده از الگوریتم تجمعی ذرات و رگرسیون لجستیک اقدام به پیش بینی خطر سقوط قیمت سهام می نماییم. یافته های پژوهش نشان می دهد که الگوریتم تجمع ذرات نسبت به روش سنتی رگرسیون لجستیک توانایی بیشتری در پیش بینی خطر سقوط قیمت سهام دارد، بنابراین فرضیه پژوهش تایید می شود. Manuscript profile