پیش‌بینی درماندگی مالی شرکتها با استفاده از الگوریتم کلونی مورچگان
نویسندگان
چکیده مقاله:
پیش‌بینی درماندگی مالی شرکتها یکی از موضوعات مهمی است که به موفقیت و تداوم حیات شرکتها کمک زیادی می‌کند. از جمله روش‌های هوشمندی که اخیرًا در حل مسائل پیش‌بینی و دسته‌بندی نتایج مطلوبی را به‌همراه داشته، روش الگوریتم کلونی مورچگان است. پژوهش حاضر به مطالعۀ پیش‌بینی درماندگی مالی شرکتها با استفاده از الگوریتم کلونی مورچگان می‌پردازد. جامعۀ آماری شامل شرکت‌های بورس اوراق بهادار تهران و نمونۀ استفاده‌شده شامل 174 شرکت درمانده و سالم بوده است. متغیرهای پیش‌بین بر‌اساس نسبت‌هایی انتخاب شدند که در نتایج تحقیقات قبلی به‌عنوان متغیرهای اصلی پیش‌بینی در مدل پیش‌بینی آنها ارائه شدند. مدل مقایسه‌ای استفاده‌شده در این پژوهش، مدل تحلیل ممیز چندگانه است. نتایج به‌دست‌آمده از تحقیق بیانگر آن است که روش الگوریتم کلونی مورچگان در پیش‌بینی درماندگی مالی شرکتها، به‌طور معناداری نسبت به روش تحلیل ممیز چندگانه عملکرد بهتری دارد
منابع مشابه
کاربردهای مالی الگوریتم کلونی مورچگان
بشر همیشه در پی کشف راز طبیعت و شبیه سازی از طبیعت بوده است.در این باره می توان از اختراع هواپیما تا کاربرد شبکه های عصبی مصنوعی و اکنون استفاده از رفتار مورچگان برای بهینه یابی در حل مسائل یاد کرد. در بهینه یابی، هدف عمده دستیابی به چیدمان خاصی از متغیرها است برای بهینگی تابع هدف. الگوریتم مورچگان از روش های ناپارامتریک مبتنی بر هوش مصنوعی انبوه زیان می باشد که در علوم غیرمالی و مالی کاربرد ...
متن کاملپیش بینی درماندگی مالی شرکت ها با استفاده از الگوریتم کلونی مورچگان
پیش بینی درماندگی مالی شرکت ها یکی از موضوعات مهمی است که به موفقیت و تداوم حیات شرکت ها کمک زیادی می کند. از جمله روش های هوشمندی که اخیرًا در حل مسائل پیش بینی و دسته بندی نتایج مطلوبی را به همراه داشته، روش الگوریتم کلونی مورچگان است. پژوهش حاضر به مطالعۀ پیش بینی درماندگی مالی شرکت ها با استفاده از الگوریتم کلونی مورچگان می پردازد. جامعۀ آماری شامل شرکت های بورس اوراق بهادار تهران و نمونۀ اس...
متن کاملمقایسه الگوریتم مورچگان با روش های تحلیل تمایزی چندگانه و لوجیت درپیش بینی درماندگی مالی
در این تحقیق، مدل الگوریتم مورچگان [1]با دو مدل پارامتریک تحلیل تمایزی چندگانه[2] و لوجیت[3]برای پیش بینی درماندگی مالی مقایسه شده است، ضمن آنکه ازمدل ها برای داده کاوی[4] متغیرهای برتر در پیش بینی درماندگی مالی استفاده شده است وداده های 130 شرکت در بین سالهای 84 تا89 در قالب دو آزمایش بکارگرفته شد. آزمایش اول مبتنی می باشد بر 130سال- شرکت از طول دو...
متن کاملمدلسازی هندسه سنگ بستر با استفاده از دادههای گرانیسنجی و الگوریتم کلونی مورچگان
تعیین عمق و هندسه سنگ بسترهای مدفون در حوضههای رسوبی از اهداف راهبردی بسیاری از پروژههای اکتشافی به‌ویژه آبهای زیرزمینی و ذخایر هیدروکربوری است. تحقیق پیشِ رو با هدف مدلسازی دوبعدی ضخامت رسوبات یک حوضه رسوبی با استفاده از وارونسازی دادههای گرانیسنجی انجام شده است. در این پژوهش، طراحی و اجرای الگوریتم کلونی مورچگان به‌عنوان ابزاری توانمند برای مدلسازی غیرخطی دوبعدی دادههای گرانی در دو...
متن کاملبهینهسازی عملیات ساخت جاده‌های جنگلی با استفاده از الگوریتم فراابتکاری کلونی مورچگان
برای طراحی جاده‌های جنگلی به‌گونه‌ای که افزون‌بر حداقل‌سازی هزینۀ ساخت، رضایت طرفداران محیط زیست را نیز جلب کند، باید اطلاعات دقیقی از شرایط روی زمینی و زیر زمینی بستر جاده در اختیار طراحان و پیمانکاران قرار گیرد. از طرفی با توجه به حجم زیاد داده‌ها به‌کارگیری روش‌های بهینه‌سازی با کمک رایانه‌ها ضروری به نظر می‌رسد. بدین منظور این پژوهش در جاده‌ای پیش‌بینی‌شده به طول تقریبی یک کیلومتر در جنگل...
متن کاملپیش بینی درماندگی مالی شرکتها با استفاده از شبکه های عصبی مصنوعی
درماندگی مالی،ورشکستگی، هزینه های زیادی به همراه دارد که به اقتصاد یک کشور صدمه وارد می کند. یکی از راه هایی که می تواند به جلوگیری از درماندگی مالی کمک شایان توجهی کند، پیش بینی درماندثی مالی الست. در این پژوهش، با استفاده از شبکه های عصبی مصنوعی (ANN)، به پیش بینی درماندگی مالی شرکت های تولیدی پرداخته شده است. مرور جامعی از مدل های پیش بینی درماندگی مالی، شبکه های عصبی مصنوعی نیز ارایه شده ...
متن کاملمنابع من
با ذخیره ی این منبع در منابع من، دسترسی به آن را برای استفاده های بعدی آسان تر کنید
ذخیره در منابع من قبلا به منابع من ذحیره شده{@ msg_add @}
عنوان ژورنال
دوره 18 شماره 2
صفحات 347- 368
تاریخ انتشار 2016-06-21
با دنبال کردن یک ژورنال هنگامی که شماره جدید این ژورنال منتشر می شود به شما از طریق ایمیل اطلاع داده می شود.
میزبانی شده توسط پلتفرم ابری doprax.com
copyright © 2015-2023