CIVILICA We Respect the Science
(ناشر تخصصی کنفرانسهای کشور / شماره مجوز انتشارات از وزارت فرهنگ و ارشاد اسلامی: ۸۹۷۱)
عنوان
مقاله

تعیین مدل بهینه پیشبینی جریان وجوه نقد آتی با استفاده از الگوریتم ترکیبی بهینه سازی ذرات شبکه عصبی

اعتبار موردنیاز: ۱ | تعداد صفحات: ۱۴ | تعداد نمایش خلاصه: ۱۶۸ | نظرات: ۰
سال انتشار: ۱۳۹۴
کد COI مقاله: MRMEA02_345
زبان مقاله: فارسی
حجم فایل: ۵۹۴.۲۹ کلیوبایت (فایل این مقاله در ۱۴ صفحه با فرمت PDF قابل دریافت می باشد)

راهنمای دانلود فایل کامل این مقاله

اگر در مجموعه سیویلیکا عضو نیستید، به راحتی می توانید از طریق فرم روبرو اصل این مقاله را خریداری نمایید.
با عضویت در سیویلیکا می توانید اصل مقالات را با حداقل ۳۳ درصد تخفیف (دو سوم قیمت خرید تک مقاله) دریافت نمایید. برای عضویت در سیویلیکا به صفحه ثبت نام مراجعه نمایید. در صورتی که دارای نام کاربری در مجموعه سیویلیکا هستید، ابتدا از قسمت بالای صفحه با نام کاربری خود وارد شده و سپس به این صفحه مراجعه نمایید.
لطفا قبل از اقدام به خرید اینترنتی این مقاله، ابتدا تعداد صفحات مقاله را در بالای این صفحه کنترل نمایید. در پایگاه سیویلیکا عموما مقالات زیر ۵ صفحه فولتکست محسوب نمی شوند و برای خرید اینترنتی عرضه نمی شوند.
برای راهنمایی کاملتر راهنمای سایت را مطالعه کنید.

خرید و دانلود PDF مقاله

با استفاده از پرداخت اینترنتی بسیار سریع و ساده می توانید اصل این مقاله را که دارای ۱۴ صفحه است در اختیار داشته باشید.

قیمت این مقاله : ۳۰,۰۰۰ ریال

آدرس ایمیل خود را در زیر وارد نموده و کلید خرید با پرداخت اینترنتی را بزنید. آدرس ایمیل:

رفتن به مرحله بعد:

در صورت بروز هر گونه مشکل در روند خرید اینترنتی، بخش پشتیبانی کاربران آماده پاسخگویی به مشکلات و سوالات شما می باشد.

مشخصات نویسندگان مقاله تعیین مدل بهینه پیشبینی جریان وجوه نقد آتی با استفاده از الگوریتم ترکیبی بهینه سازی ذرات شبکه عصبی

    سعید کریمی (شناسه پژوهشگر - Researcher ID: ۵۸۲۱)
گروه حسابداری، واحد علوم و تحقیقات ایلام، دانشگاه آزاد اسلامی ایلام، ایران
  مهرداد قنبری - گروه حسابداری، واحد علوم و تحقیقات ایلام، دانشگاه آزاد اسلامی ایلام، ایران

چکیده مقاله:

وجوه نقد از منابع مهم و حیاتی هر واحد اقتصادی است و پیشبینی وجوه نقد برای دورههای آتی، ازمهمترین ضروریتهای مدیریت واحدهای اقتصادی است. سرمایهگذاران، اعتباردهندگان و سایر استفاده کنندگان اطلاعات حسابداری برای اتخاذ تصمیمهای مالی و سرمایهگذاری، نیازمند اطلاعات مربوط به جریانهای نقدی هستند. بخش عمده و مستمر وجوه نقد واحدهای تجاری را وجوه نقد عملیاتی تشکیلمیدهد. پژوهشهای پیشین مدلهای متعدد و متفاوتی را برای پیشبینی وجوه عملیاتی واحدهای تجاری، مورد آزمون قرار دادهاند. تفاوت مدلها مربوط به متغیرهای مستقل و روشهای سنتی مورداستفاده بوده است. هدف این پژوهش، طراحی یک الگوی هوشمند با استفاده از تکنیکهای توانمند هوش مصنوعی و برآورد خطای پیشبینی مدلهای نقدی و تعهدی استفاده شده در پژوهشهای پیشینو بررسی نتایج حاصل به منظور تعیین مدل بهینهی پیشبینی جریانهای نقدی عملیاتی در شرکتهایپذیرفته شده در بورس اوراق بهادار تهران است. در این راستا، 03 شرکت واجد شرایط در بازهی زمانی 2032 2031 انتخاب و بررسی شدند. برای بررسی فرضیهها از مدل نوین هوشمند ترکیبی الگوریتم - بهینهسازی ذرات شبکه عصبی ) - PSO-ANN ( استفاده شده است. یافتههای پژوهش حاکی از آن استکه مدل پیشبینی بر اساس سود عملیاتی تاریخی استفاده شده در پژوهش دارای خطای پیشبینی کمتری نسبت به مدل نقدی استفاده شده در پژوهش است.

کلیدواژه‌ها:

پیشبینی جریانهای نقدی، جریانهای نقدی عملیاتی، الگوریتم PSO ، شبکه عصبی

کد مقاله/لینک ثابت به این مقاله

برای لینک دهی به این مقاله، می توانید از لینک زیر استفاده نمایید. این لینک همیشه ثابت است و به عنوان سند ثبت مقاله در مرجع سیویلیکا مورد استفاده قرار میگیرد:
https://www.civilica.com/Paper-MRMEA02-MRMEA02_345.html
کد COI مقاله: MRMEA02_345

نحوه استناد به مقاله:

در صورتی که می خواهید در اثر پژوهشی خود به این مقاله ارجاع دهید، به سادگی می توانید از عبارت زیر در بخش منابع و مراجع استفاده نمایید:
کریمی, سعید و مهرداد قنبری، ۱۳۹۴، تعیین مدل بهینه پیشبینی جریان وجوه نقد آتی با استفاده از الگوریتم ترکیبی بهینه سازی ذرات شبکه عصبی، دومین کنفرانس بین المللی پژوهش های نوین در مدیریت، اقتصاد و حسابداری، کوالالامپور-مالزی، موسسه سرآمد کارین، https://www.civilica.com/Paper-MRMEA02-MRMEA02_345.html

در داخل متن نیز هر جا که به عبارت و یا دستاوردی از این مقاله اشاره شود پس از ذکر مطلب، در داخل پارانتز، مشخصات زیر نوشته می شود.
برای بار اول: (کریمی, سعید و مهرداد قنبری، ۱۳۹۴)
برای بار دوم به بعد: (کریمی و قنبری، ۱۳۹۴)
برای آشنایی کامل با نحوه مرجع نویسی لطفا بخش راهنمای سیویلیکا (مرجع دهی) را ملاحظه نمایید.

علم سنجی و رتبه بندی مقاله

مشخصات مرکز تولید کننده این مقاله به صورت زیر است:
نوع مرکز:
تعداد مقالات: ۳۰۷۶
در بخش علم سنجی پایگاه سیویلیکا می توانید رتبه بندی علمی مراکز دانشگاهی و پژوهشی کشور را بر اساس آمار مقالات نمایه شده مشاهده نمایید.

مدیریت اطلاعات پژوهشی

اطلاعات استنادی این مقاله را به نرم افزارهای مدیریت اطلاعات علمی و استنادی ارسال نمایید و در تحقیقات خود از آن استفاده نمایید.

مقالات پیشنهادی مرتبط

مقالات مرتبط جدید

شبکه تبلیغات علمی کشور

به اشتراک گذاری این صفحه

اطلاعات بیشتر درباره COI

COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.
کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.