چکیده در سال های اخیر سرمایه گذاران متوجه شدند که یک سری بی‌نظمی هایی (اثرات تقویمی) در بازار سرمایه وجود دارد که می توان از طریق آن ها بازده اضافی کسب کرد. در ﺑﯽﻗﺎﻋﺪﮔﯽﻫﺎی ﺗﻘﻮﯾﻤﯽ، ﻋﺎﻣﻞ زﻣﺎن اﺳﺖ ﮐﻪ ﺑﺮ ﺑﺎزار ﺳﺮﻣﺎﯾﻪ اﺛﺮ ﻣﯽﮔﺬارد. اﯾﻦ ﮔﻮﻧﻪ اﺛﺮات را اﺛﺮات ﺗﻘﻮﯾﻤﯽ می نامند. از این‌رو، هدف پژوهش حاضر شناسایی و تحلیل اثر تقویمی ماه مبارک رمضان بر اهم ویژگی های بازار سرمایه است. روش پژوهش از نظر هدف کاربردی و بر اساس ماهیت و روش تحقیق، توصیفی-پیمایشی است. جامعه آماری این پژوهش شامل اساتید دانشگاهی حرفه حسابداری، تحلیلگران و خبرگان معامله گری در بازار سرمایه ایران است. در این تحقیق با استفاده از پیشینه پژوهش و مراجعه به هشت خبره و مصاحبه با آن ها، 6 شاخص به عنوان ویژگی های مهم بازار سرمایه که می تواند از اثر تقویمی ماه مبارک رمضان اثرپذیر باشد، شناسایی شد. سپس با استفاده از 14 پرسشنامه جهت تعیین روابط علی این شاخص ها، از خبرگان نظرخواهی شد. در نهایت، به منظور کاوش شبکه روابط علت و معلولی، تعیین میزان درجه تأثیرگذاری و تأثیرپذیری هریک از شاخص ها و اولویت بندی آن ها از تحلیل سلسله مراتبی فازی، رویکرد دیمتل فازی و تاپسیس فازی استفاده شد. بنابر نتایج بدست آمده، ریسک سرمایه با اهمیت ترین شاخص است. این نتیجه حاکی از آن است که این شاخص در ماه مبارک رمضان به شدت دستخوش تغییرات قرار می گیرد و توجه به آن ضروری است. سپس به ترتیب شاخص های حجم معاملات، ریسک غیرسیستماتیک، بازده سهم، ریسک نقدشوندگی و بتای تعدیل شده دارای اهمیت هستند. همچنین حجم معاملات به عنوان اثرگذارترین شاخص شناخته شد. لذا حجم معاملات بر سایر شاخص ها اثرگذاری بیشتری دارد. همچنین، ریسک غیرسیستماتیک به عنوان تأثیرپذیرترین شاخص شناسایی شد. پرونده مقاله

شناخت مدیریت سود برای استفاده کنندگان از اطلاعات حسابداری به دلیل ارزیابی عملکرد، پیش بینی سودآوری و تعیین ارزش واقعی شرکت بسیار حائز اهمیت است. هدف از این تحقیق برآورد الگوی برای پیش بینی مدیریت سود با استفاده الگوی شبکه های عصبی و سپس استفاده از الگوریتم های فراابتکاری ژنتیک و ازدحام ذرات برای یافتن ترکیبی بهتر از داده های ورودی است به گونه ای که بتواند الگو اولیه را بهینه نماید. برای این منظور از 28 متغیر تاثیر گذار در قالب چهار گروه (مالی، مدیریتی، شرکتی و حسابرسی) در طی سال های 1390 الی 1395 در شرکت های پذیرفته شده در بورس اوراق بهادار تهران استفاده گردید. نتایج حاصل نشان می دهد که کاربرد این دو الگوریتم قدرت تبیین الگوهای اولیه را افزایش داده است. همچنین ارزیابی عملکرد الگو های شبکه عصبی حاکی از برتری این الگو ها در قیاس با الگوی رگرسیون خطیLR) ( است. روش ترکیبی شبکه های عصبی الگوریتم های ازدحام ذرات (A-PSO) و ژنتیک(A-GA) با شناسایی چهار متغیر بهینه به ترتیب شامل دقت پیش بینی، سهم مالکیت سهامداران عمده، اندازه شرکت و نسبت کیفیت، مدیریت سود را با دقت به ترتیب (59/95%) و (75/94%) پیش بینی کردند. بعلاوه روش های ترکیبی هوشمند فوق با بهبود ضریب همبستگی و معیار متوسط مربعات خطا نسبت به روش های رگرسیون خطی (LR) و روش شبکه های عصبی (ANN) در پیش بینی نتایج گروه ویژگی های مدیریتی و شرکتی کارآمدتر است. پرونده مقاله

هدف این پژوهش الگوسازی سرمایه‌گذاری دارایی ثابت با نقش معیارهای نظارتی و رویکرد هوش مصنوعی شرکت‌های پذیرفته شده بورس اوراق بهادار تهران می باشد. در این پژوهش نمونه ها با استفاده از روش رگرسیون متغیرگزینی ریلیف-اف انتخاب شدند سپس داده‌های پژوهش به روش اعتبار سنجی متقابل ده قسمتی به گروه های داده های آموزش و اعتبارسنجی و داده های آزمون تقسیم شدند. سپس با دو الگوریتم خطی و غیرخطی بردار پشتیبان غیرموازی غیرحساس– پارامتری (PINSVR) و حداقل مربعات جزئی کرنلی (KPLS) و الگوریتم حداقل مربعات جزئی کرنلی غیر خطی (KPLSR) مورد آزمون قرار گرفتند. جامعه آماری پژوهش حاضر کلیه شرکت‌های پذیرفته شده در بورس اوراق بهادار تهران در بازه زمانی 1390 تا 1399 است و از اطلاعات مالی 101 شرکت استفاده شده است. یافته‌ها: نتایج آزمون پژوهش نشان داد که متغیرهای، اندازه هیئت مدیره، استقلال هیئت مدیره، تخصص مالی هیئت مدیره، اندازه کمیته حسابرسی، استقلال کمیته حسابرسی، مالکیت نهادی بالای 5 درصد، دوره تصدی مدیرعامل، وجود حسابرس داخلی، نسبت تخصص اعضای کمیته و دوگانگی وظایف مدیرعامل بیشترین تأثیر را در پیش‌بینی سرمایه‌گذاری دارایی ثابت شرکت‌ها دارند. همچنین در بررسی الگوریتم های هوش مصنوعی خطی و غیرخطی در پیش‌بینی سرمایه‌گذاری دارایی ثابت شرکت ها، الگوریتم های خطی نسبت به الگوریتم‌های غیرخطی کارایی بیشتری نشان دادند.

پرونده مقاله