در پژوهش حاضر به بررسی تاثیر انحراف از سطح بهینه نگهداشت وجه نقد بر ارزش وجه نقد پرداخته شده است. نمونه آماری پژوهش شامل 101 شرکت است که در طی دوره زمانی 1388 لغایت 1392 انتخاب شده است. در این پژوهش با استفاده از داده های ترکیبی و روش حداقل مربعات تعمیم یافته به بررسی فرضیه های تحقیق پرداخته شد. نتایج تحقیق حاکی از آن است که ارزش یک ریال وجوه نقد تحصیل شده در نزد سهامداران در شرکت هایی که سطح نگهداشت وجوه نقد آنها از سطح بهینه وجه نقد کمتر است بیشتر از شرکت هایی است که سطح نگهداشت وجوه نقد آنها از سطح بهینه وجه نقد بیشتر است. همچنین نتایج تحقیق موید آن است که ارزش وجه نقد در شرکت هایی با نگهداشت وجه نقد بیشتر از سطح بهینه، کمتر از ارزش اسمی یک ریال و در شرکت هایی با نگهداشت وجه نقد کمتر از سطح بهینه، بیشتر از ارزش اسمی یک ریال است.
یکی از گزینه های موجود جهت سرمایه گذاری نقدینگی، بورس و اوراق بهادار می باشد. با توجه به ارتباطات غیرخطی موجود میان متغیرهای موثر بر قیمت سهام، شبکه های عصبی مصنوعی یکی از مناسب ترین رویکردهای موجود جهت پیش بینی قیمت سهام می باشند. در این مقاله سعی شده تا از طریق ترکیب نگاشت های آشوبی و الگوریتم رقابت استعماری، زاویه حرکتی مستعمرات به سمت استعمارگر اصلاح شده و به این ترتیب احتمال قرارگیری در دام نقطه بهینه محلی تا حد ممکن کاهش یابد. هدف این مقاله معرفی و مقایسه عملکرد رویکرد پیشنهادی با سایر الگوریتم های بهینه سازی جستجوی پیشین می باشد. از اینرو با استفاده از اطلاعات قیمتی روزانه سهام شرکت ایران خودرو بین سال های 1389 تا 1395 به آموزش شبکه عصبی با الگوریتم های بهینه سازی مختلف پرداختیم. جهت ارزیابی میزان عملکرد رویکردها، از سه دیدگاه: میزان دقت پیش بینی(آماره های اندازه گیری خطاR2,RMSE)، میزان حافظه مصرفی و زمان اجرایی استفاده شد، نتایج حاکی از آن است که رویکرد پیشنهادی از عملکرد بهتری نسبت به سایر رویکردهای پیشین برخوردار می باشد.
هدف این پژوهش، شناسایی دستکاری قیمت سهام در بورس اوراق بهادار تهران می باشد که از طریق مدل ترکیبی الگوریتم ژنتیک-شبکه عصبی مصنوعی (ANN-GA)[1] و مدل تابع تفکیکی درجه دوی تعدیل شده (SQDF)[2] انجام گرفته است. در این پژوهش از متغیرهای قیمت، حجم معاملات و سهام شناور آزاد برای تطبیق نتایج مدل و داده های واقعی از دستکاری قیمت استفاده شده است. در مدل ترکیبی ابتدا داده های مربوط به 316 شرکت از نخستین روز کاری سال 1389 تا آخرین روز کاری سال 1392 بصورت روزانه شامل 966 روز وارد مدل الگوریتم ژنتیک شده و در نهایت اوزان مربوط به هر متغیر از این الگوریتم منتج شد. با استفاده از این اوزان، شبکه عصبی مصنوعی پرسپترون طراحی، آموزش و اجرا شد. سپس مدل SQDF طراحی و اجرا و کارایی آن اثبات شد. سرانجام نتایج حاصل از مدل ANN-GA با نتایج مدل SQDF با استفاده از آماره های اندازه گیری خطای MAPE، RMSE و R2 مقایسه شدند. نتایج نشان داد که مدل ANN-GA در شناسایی دستکاری قیمت سهام و طبقه بندی شرکت ها به دو گروه دستکاری شده و دستکاری نشده عملکرد بسیار بهتری از مدل SQDF داشته و خطای بسیار کمتری دارد.
نهادهای مالی و به طور خاص بانک ها به عنوان منابع اصلی مبادلات مالی و دروازه ای برای پرداخت ها از دیرباز نقش به سزایی در توسعه و رشد اقتصادی کشورها ایفا نموده اند. علاوه بر اهمیت اقتصادی بانک ها، وجود بازارهای به شدت رقابتی، اهمیت اجرای سیستم هایی را به منظور افزایش کارایی بانک ها از یک سو و ارزیابی عملکرد انها را از سوی دیگر برجسته می سازد. در این مقاله ابتدا به تشریح اصول، مفاهیم، کاربردها، مزایا و معایب، وهمچنین مراحل اجرای مدل کارت امتیازی متوازن به عنوان یک روش ارزیابی عملکرد پرداخته شده است و سپس تحقیقات انجام شده در زمینه مدل مفهومی تحقیق بررسی و مرور گردیده است. به منظور اجرای ارزیابی عملکرد شعب بانک ملی واقع در شهرستان سنندج، شاخص ها ارزیابی به تفکیک برای منظرهای چهارگانه مدل کارت اعتباری متوازن انتخاب گردیده و سپس با استفاده از روش تحلیل مولفه های اصلی، شاخص های کلیدی و مهم برای ارزیابی شعبی که بیشترین سهم در ایجاد تغییرات و واریانس مولفه ها را دارند، نهایی گردید. به منظور دستیابی به نتایج دقیق تر و امکان مقایسه آنها با یکدیگر، برای اولویت بندی و ارزیابی عملکرد شعب مورد مطالعه، از روش تحلیل عاملی، استفاده شده است و رتبه بندی شعب بر اساس این روش ارائه شده است. در بخش انتهایی نتایج رتبه بندی بر اساس روش تحلیل عاملی با وضعیت موجود شعب مقایسه شده و پیشنهاداتی نیز برای تحقیقات آتی ارائه شده است.