تعیین عوامل موثر بر پیشبینی کیفیت افشاء با استفاده از شبکه عصبی مصنوعی

سال انتشار: 1395
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 470

فایل این مقاله در 6 صفحه با فرمت PDF قابل دریافت می باشد

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

NDMCONFT06_295

تاریخ نمایه سازی: 19 خرداد 1396

چکیده مقاله:

هدف این پژوهش ارایه تعیین عوامل موثر بر پیشبینی کیفیت افشاء با استفاده از شبکه عصبی مصنوعی است. بدین منظور، از متغیرهای مرتبط با نقدینگی، سودآوری، اهرمی، اندازه شرکت، حاکمیت شرکتی و سایر متغیرهای اثرگذار استفاده شده است. تعیین عوامل موثر، یک مسیله بهینهسازی است که در آن با انتخاب متغیرهایی مرتبطتر از مجموعه کل متغیرها، با الگوریتمهای طبقهبندی و خوشهبندی، باعث بهینهشدن هزینههای ساخت مدلبندی میشود. بدین ترتیب با توجه به بررسیهای انجام شده، از مجموع 430 شرکت پذیرفته شده در بورس اوراق بهادار تهران، تعداد 59 شرکت به عنوان نمونه مورد بررسی در دوره زمانی 1382 الی 1390 انتخاب شد. در این پژوهش روش انتخاب متغیر(ویژگی) بر اساس الگوریتم بهینهسازی رقابت استعماری میباشد که هم در حالت نظارت شده و هم در حالت بدون ناظر کاربرد دارد. این روش زیر مجموعهای بهینه از متغیرها را با استفاده از چندین بار تکرار و بدون استفاده از الگوریتمهای یادگیری بهطوری که باعث کاهش افزونگی شود را پیدا میکند. بنابراین میتوان آن را به عنوان یک روش چند متغیره فیلترینگ ویژگی در نظر گرفت. نتایج بررسیهای انجام شده موثر بودن این روش، نسبت به روشهای مشابه پیشین را نشان میدهد.

کلیدواژه ها:

کیفیت افشاء ، شبکه های عصبی مصنوعی

نویسندگان

مهدی ساریخانی

گروه حسابداری، واحد صفاشهر، دانشگاه آزاد اسلامی، صفاشهر، ایران

سیدمجتبی سیف

گروه کامپیوتر، واحد صفاشهر، دانشگاه آزاد اسلامی، صفاشهر، ایران

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • ستایش، محمدحسین و مصطفی کاظم‌نژاد (1391). "ناسایی و تبیین عوامل ...
  • A _ _ , -Garxari F. R I .nc.a _ ...
  • El Akadi. A.. El ()uardighi. A.. & Ahoutai dine. D. ...
  • _ _ M (20131 A _ _ _ _ _ ...
  • Karamanou. I. and N. Vafeas (20051. _ association hetween corrorate ...
  • Iai. _ Reinders M. .I.. & Wessels. L. (20061. Random ...
  • [eung. Y. & Hung. Y. (20101. A multinle-fi Iter-multinl e-wramnef ...
  • Liu. H.. & Yu. L. (20051. Toward integrating feature selection ...
  • I .1 _ ahl T _ (20.91 _ _ _ ...
  • Ommar. B. and I. Simon (20111. "Cornorate aggregate disclosure nractices ...
  • Peng. H. Long. F.. & Ding. C. (20051. Feature selection ...
  • R i _ A (2..11 _ _ _ onalitv orovth ...
  • Tahakhi. S.. Moradi. P.. & Akhlaghian. F. (2014). An unsunervi ...
  • Theodloridis. S.. _ K ontroumhas. K. (20081. Pattern recognition. IFFF ...
  • Tsai _ _ Thi (20091 _ nana _ _ A ...
  • Yu1 I. & Lin H. (2003. August1. Featre selection for ...
  • نمایش کامل مراجع