علیرضا بحیرایی

علیرضا بحیرایی

مطالب

فیلتر های جستجو: فیلتری انتخاب نشده است.
نمایش ۱ تا ۳ مورد از کل ۳ مورد.
۱.

Modelling Crowdfunding Ensemble Learning Prediction

تعداد بازدید : ۸۴ تعداد دانلود : ۵۹
Crowdfunding is a new technology-enabled innovative process that is changing the capital market space. Internet-based applications, particularly those related to Web 2.0, have had a significant impact on sectors of society such as education, business, and medicine. The goal of this research is to fill a gap in the literature on mathematical modelling and prediction of ensemble learning in order to evaluate crowdfunding projects. The Mathematical model determines the cost of funding for the entrepreneur and the return investors will receive per period. A correct financial model is essential in order to keep all three stakeholders involved in the long term. The results show the designed model improved performance in predicting the evaluation of success or failure of Crowdfunding projects.
۲.

Option Pricing in the Presence of Operational Risk

تعداد بازدید : ۷۶ تعداد دانلود : ۸۴
In this paper we distinguish between operational risks depending on whether the operational risk naturally arises in the context of model risk. As the pricing model exposes itself to operational errors whenever it updates and improves its investment model and other related parameters. In this case, it is no longer optimal to implement the best model. Generally, an option is exercised in a jump-diffusion model, if the stock price either exactly hits the early exercise boundary or the price jumps into the exercise price region. However paths of the diffusion process are continuous. In this paper the impact of operational risk on the option pricing through the implementation of Mitra’s model with jump diffusion model is presented. A partial integral differential equation is derived and the impact of parameters of Merton’s model on operational risk and option value by operational value at risk measure is employed. The option values in the presence of operational risk on data set are computed and some of the results are presented.
۳.

مقایسه سیستم های هوش مصنوعی (ANFIS و ANN) و رگرسیون لجیت در پیش بینی ورشکستگی مالی شرکت های پذیرفته شده در بورس اوراق بهادار تهران

کلید واژه ها: شبکه های عصبی مصنوعی پیش بینی ANN ANFIS ورشکستگی مالی شبکه های عصبی - فازی رگرسیون لجیت (LR) بازاریابی مالی

حوزه های تخصصی:
  1. حوزه‌های تخصصی مدیریت مدیریت صنعتی تحقیق در عملیات پژوهش عملیاتی
  2. حوزه‌های تخصصی مدیریت مدیریت مالی – حسابداری مدیریت مالی
تعداد بازدید : ۱۲۲۵ تعداد دانلود : ۶۳۱
بانک ها به عنوان بخش اصلی نظام مالی نقش کلیدی را در تأمین مالی بخش های مختلف اقتصادی بر عهده دارند. یکی از مهم ترین موضوع های مطرح شده در زمینه ی مدیریت مالی و بازار یابی مالی، این است که سرمایه گذاران فرصت های مناسب سرمایه گذاری را از فرصت های نامطلوب تشخیص دهندو مدیران مدیریت مالی موثر و کارآمد در تامین منابع مالی داشته باشند. یکی از راه های کمک به سرمایه گذاران، ارائه ی الگوهای پیش بینی ورشکستگی شرکت ها است. تا به امروز تکنیک های مختلفی برای طراحی مدل های پیش بینی ورشکستگی شرکت ها مورد استفاده قرار گرفته است. از آنجا که مطالعات اخیر در زمینه ی پیش بینی ورشکستگی ، بر ایجاد و به کارگیری هوش مصنوعی و روش های یادگیری ماشینی متمرکز شده است، لذا در پژوهش حاضر به منظور پیش بینی ورشکستگی شرکت ها از شبکه های عصبی-فازی(ANFIS)و شبکه های عصبی مصنوعی(ANN) و رگرسیون لجیت(LR) به عنوان مدل مقایسه ای وبرای پیاده سازی مدل ها، از نرم افزار متلب نسخه 2015 استفاده شده است. نمونه ی تحت بررسی شامل 71 شرکت ورشکسته و 74 شرکت سالم می باشد که طی یک دوره 5 ساله از سال 1389 الی1394از بورس اوراق بهادر تهران انتخاب شده اند. یافته های تحقیق حاکی از آن است که در پیش بینی ورشکستگی شرکت ها، مدل مبتنی بر شبکه های عصبی مصنوعی(ANN) نسبت به مدل مبتنی بر شبکه های عصبی-فازی(ANFIS) و رگرسیون لجیت(LR) از دقت کلی بیشتری برخوردار است.

پالایش نتایج جستجو

تعداد نتایج در یک صفحه:

درجه علمی

مجله

سال

حوزه تخصصی

زبان