مدل های ترکیبی

پژوهش حاضر بمنظور توسعه دانش حسابرسی و کارآیی آن در استفاده از روش های تحلیلی آماری و همچنین اشاعه استفاده از این روش ها در این صورت گرفته است. در این پژوهش هشت روش تحلیلی جایگزین شامل پنج روش رگرسیونی، یک روش سری زمانی و دو روش تحلیلی غیرآماری (مارتینگل و ساب مارتینگل) مورد ارزیابی قرار گرفته است. داده های مالی و غیر مالی مربوط به نمونه ای از شرکت های پتروشیمی برای چهار دوره مالی از سال 1377 تا 1380 جمع آوری گردیده است. داده های مذکور برای پیش بینی درآمد فروش و هزینه های تولید مورد استفاده قرار گرفتند. بر اساس نتایج بدست آمده، روش های رگرسیونی برای پیش بینی مانده حساب ها در انجام روش های تحلیلی حسابرسی، عملکرد بهتری از سایر مدل ها دارند. رگرسیون لگاریتمی برترین روش تحلیلی آماری ارزیابی گردید. روش مذکور دارای ثبات عملکرد در بین چند شرکت هم صنعت است. در انجام روش های تحلیلی آماری، مدلهای ماهانه، عملکرد بهتری از مدلهای فصلی دارند. مدلهای ترکیبی توانایی پیش بینی مناسب تری از مدل های تک شرکتی دارند. همچنین نتایج حاکی از وجود منافع افزاینده استفاده از متغیرهای غیر مالی در انجام روش های تحلیلی آماری در حسابرسی است.

فلزات قیمتی همچون طلا، نقره و پلاتین از جمله مهمترین متغیرهای مؤثر در سیستم های مالی بوده و پیش بینی قیمت آنها برای تصمیم گیران از اهمیت بسیار برخوردار است . تغییرات سریع در سیستم های مورد مطالعه در دنیای واقعی و بویژه بازارهای مالی سبب ایجاد مشکلاتی برای پیش بینی کنندگان از جهت تامین داده های لازم گردیده است . چرا که مدل های کمی پیش بینی همچون میانگین نیز به (ANNs) دارای محدودیت تعداد داده های گذشته بوده و شبکه های عصبی مصنوعی (ARIMA) متحرک خود رگرسیون انباشته منظور حصول نتایج دقیق احتیاج به داده های زیادی دارند . مدلهای پیش بینی فازی، مدلهایی مناسب در شرایط پیش بینی با داد ه های کم بوده، اما عملکرد آنها در حالت کلی رضایت بخش نمی باشد. استفاده از مدل های ترکیبی یا ترکیب مدل های مختلف یک راه معمول به منظور مرتفع نمودن محدودیت های مدلهای تکی و بهبود دقت پیش بینی ها می باشد؛ لذا در این مقاله به منظور برطرف نمودن محدودیت داده در مدلهای میانگین متحرک خود رگرسیون انباشته کلاسیک و حصول مدل دقیق تر در پیش بینی سری های زمانی، مدل به منظور پیش بینی پیشنهاد شده است. نتایج حاصله بیانگر (FARIMA) ترکیبی میانگ ین متحرک خود رگرسیون انباشته با منطق فازی کارآمدی روش پیشنهادی در پیش بینی بازه تغییرات قیمت طلا می باشد

در این پژوهش به مطالعه توان پیش بینی طیف وسیعی از مدل های ناهمسانی واریانس شرطی (G)ARCH طی یک دوره 126 ماهه بر روی بازده روزانه شاخص کل بورس تهران (TEDPIX) پرداخته شده است. نتایج بررسی این مدل ها تایید کننده وجود سه ویژگی نوسان خوشه ای، عدم تقارن و نیز غیر خطی بودن، در سری زمانی بازده می باشد. سپس با هدف افزایش قدرت پیش بینی، این مدل ها با شبکه های عصبی مصنوعی ترکیب شده اند و نتایج حاصل از طرق گوناگونی مورد آزمون قرار گرفته است. این نتایج نشان می دهد مدل های ترکیبی گارچ توان ـ میانگین، گارچ نمایی ـ میانگین و مدل GJR، کمترین خطای پیش بینی را داشته اند. بررسی تغییرات جهت نوسان نشان می دهد مدل های ترکیبی همسویی بیشتری با نوسان واقعی نسبت به مدل های پایه ای گارچ دارند. همچنین مدل های ترکیبی گارچ توانی نامتقارن، گارچ- میانگین نمایی و گارچ- میانگین توانی بطور معنی داری خطای پیش بینی کمتری نسبت به مدل های پایه ای خود داشته اند.

این مقاله به ارائهیک الگوریتم انجماد تدریجی چندهدفه برای مسائل هم زمان بالانس خطوط مونتاژ دوطرفه مدل های ترکیبی و همچنین تخصیص نیروی انسانی با مهارت های مختلف می پردازد. اهداف مدل پیشنهادی حداقل سازی تعداد ایستگاه های زوجی و انفرادی همچنین حداقل کردن هزینه های کل نیروی انسانی به ازاییک زمان سیکل مشخص است. همچنین دو شاخص حداکثرسازی اثربخشی موزون خط و همچنین حداقل سازی شاخص هموارسازی مورد توجه قرار گرفته اند و یک مثال نیز با جزئیات کامل به کمک رویکرد پیشنهادی حل شده است؛ علاوه بر این، کارایی این الگوریتم به کمک مجموعه مثال های مختلف و همچنین قوانین جستجوی همسایگی متفاوتی ارزیابی شده است. نتایج نشان می دهد، این الگوریتم می تواند به منزلهیک الگوریتم مناسب برای حل این دسته از مسائل استفاده شود.

فرسایش خاک و تولید رسوب یکی از مخرب ترین پدیده هایی است که موجب خسارت های فراوان در مناطق مختلف شده است. از طرفی جهت مبارزه با این پدیده و اجرای پروژه های حفاظت خاک، نیاز به آگاهی از اطلاعات مکانی منابع رسوبات تولیدی در یک منطقه است. روش انگشت نگاری رسوب بر پایه ردیاب های ژئوشیمیایی، آلی، نسبت های ایزوتوپی و نیز استفاده از مدل های ترکیبی مختلف باعث شناخت سهم منابع مختلف رسوب در یک ناحیه می شود. در تحقیق حاضر با استفاده از ترکیب بهینه ردیاب های آلی، ژئوشیمیایی و نسبت های ایزوتوپی اقدام به تفکیک منابع مختلف فرسایش و تولید رسوب و سپس تعیین سهم این منابع با استفاده از مدل های کالینز (Collins)، کالینز اصلاح شده (M Collins)، موتا (Motha)، لاندور (Landwehr) و اسلاتری (Slattery) شد. جهت تعیین بهترین مدل در این باره از شاخص های GOF، RMSE و تطبیق نتایج با اندازه گیری واقعی مقادیر رسوب برپایه مدل BLM و واحدهای شدت فرسایش استفاده شد. عناصر کربن، مس، تیتانیوم و سیلیکون به عنوان ردیاب های تفکیک کننده واحدهای کاربری اراضی شناخته شدند و مدل ترکیبی کالینز اصلاح شده (M Collins) با شاخص های GOF، ۹/۹۹% و RMSE، ۰۷/۲% به عنوان بهترین مدل انتخاب شد. نتایج اندازه گیری صحرایی میزان رسوب تولیدی از کاربری های مختلف اراضی نشان داد مراتع با پوشش های گیاهی ضعیف و متوسط و با اهمیّت نسبی ۸۷/۳ در اولویّت مدیریت حفاظت خاک قرار دارند. مدل های ترکیبی نشان دادند بیشترین سهم در فرسایش و رسوب حوزه مربوط به مراتع ضعیف و تخریب یافته منطقه با درصد مساحت ۷۵/۱۶ و سهم ۰۴/۵۷ درصد می باشد و اراضی زراعی کمترین نقش را تولید رسوب منطقه دارند. همچنین نتایج مدل موتا با ضریب همبستگی ۹۲۴/۰ کمترین اختلاف را با مقادیر اندازه گیری شده داشت.

روش انگشت نگاری رسوب همراه با مدل های ترکیبی یک رویکرد رایج در کمی نمودن سهم منابع رسوبات به ویژه رسوبات آبی می باشد ولی در زمینه رسوبات بادی تحقیقات اندکی انجام شده است. در این تحقیق، دو مدل ترکیبی کالینز و هوگس مورد استفاده در انگشت نگاری رسوب به منظور کمی نمودن سهم منابع رسوبات تپه های ماسه ای در منطقه جازموریان، جنوب کرمان بکار برده شد. بدین منظور پس از تعیین جهات باد و تهیه نقشه زمین شناسی، اقدام به نمونه برداری از منابع بالقوه تپه های ماسه ای شامل پهنه های ماسه ای ( Qs )، رسوبات آبرفتی ریزدانه و بستر خشکرودها ( Qal )، رسوبات مخروط افکنه ها و پادگانه ها ( Qt ) و ترکیب رس و نمک ( Qc )؛ و از مناطق رسوب یا تپه های ماسه ای ( Qsd ) گردید. به طوری که 58 نمونه سطحی از منابع بالقوه تپه های ماسه ای شامل 7 نمونه از Qs ، 25 نمونه از Qal ، 5 نمونه از Qt و 21 نمونه از Qc ؛ و 14 نمونه از مناطق رسوب ( Qsd ) برداشت گردید و پس از آماده سازی نمونه ها، غلظت ده عنصر ( Ni, Cu, Co, Cr, Ga, Mn, P, Ba, Sr و Li ) اندازه گیری شد. به منظور تفکیک منابع تپه های ماسه ای، از یک فرآیند آماری دو مرحله ای شامل تست های کروسکال والیس و آنالیز تابع تشخیص گام به گام استفاده گردید که چهار ردیاب شامل Cr, Li, Ni و Co به عنوان ردیاب های بهینه انتخاب شدند و به عنوان پارامترهای ورودی به مدل های ترکیبی مورد استفاده قرار گرفتند. سهم های ارائه شده برای منابع تپه های ماسه ای توسط هر دو مدل مشابه هم بدست آمد و منابع Qs و Qal به عنوان منابع غالب برای 14 نمونه تپه ماسه ای شناخته شدند. همچنین بر طبق نتایج، مقادیر GOF محاسبه شده برای مدل کالینز (با بالاترین مقدار GOF برابر 95/99 درصد) بالاتر از مدل هوگس (با بالاترین GOF برابر 9/99 درصد) محاسبه شد که نشان دهنده کارآیی بالای این مدل در منشایابی رسوبات تپه ماسه ای می باشد. به طور کلی، استفاده از روش انگشت نگاری رسوب با مدل ترکیبی کالینز برای کمی نمودن سهم منابع تپه های ماسه ای فعال در سایر مناطق پیشنهاد می گردد.

پویایی و موفقیت شرکت ها به ارزیابی، مقایسه و شناخت نقاط قوت و ضعف عملکرد آنها وابسته است. اگرچه رتبه بندی و مقایسه شرکت های صنایع مختلف با هم می تواند راهنمای مفیدی برای مدیران، سیاست گذاران و سرمایه گذاران باشد، اما مسئله مهم تعیین معیارها، شاخص ها و مدل های مناسب برای این رتبه بندی ها است. روش های معمول رتبه بندی شرکت های بورس نقاط قوت و ضعف خاص خود هستند. از آنجاکه معیارهای رتبه بندی شرکت ها متعدد و اغلب متضادند، بهره گیری از مدل های MCDM ضرورت می یابد. چون ویژگی های هر تکنیک چند معیاری خاص است، رتبه بندی های متعددی ارائه می شود و این امر می تواند سردرگمی سرمایه گذاران را تشدید نماید. تاکنون الگوریتم مفهومی جامع و ترکیبی که بتواند شرکت های برتر در بورس تهران را بر اساس جمیع جهات شناسایی نماید، ارایه نشده است. در این پژوهش، ابتدا شرکت های بورس تهران با استفاده از مدل های مختلف MCDM (شامل تاپسیس، الکتره، مجموع ساده وزنی، ویکور، لینمپ، تاکسونومی و همچنین (DEA رتبه بندی شده اند. به دلیل اختلاف معنادار میان رتبه های این روش ها، با استفاده از متدهای ادغامی، رتبه نهایی شرکت ها تعیین می شود. در انتها الگوریتمی مفهومی جهت تکرارپذیرسازی این روش جهت پژوهشگران آتی طراحی شده است

هدف: پیش بینی درماندگی مالی شرکت ها، یکی از مهم ترین مسائل تحقیقاتی در حوزه مدیریت ریسک بوده و همواره در کانون توجه بانک ها، شرکت ها، مدیران و سرمایه گذاران قرار داشته است. هدف اصلی این پژوهش ارائه یک مدل پیش بینی کننده با عملکرد بالا و مقایسه نتایج به دست آمده از آن با سایر مدل های رایج در پیش بینی درماندگی مالی است. روش: به همین منظور از روش های انتخاب ویژگی پی درپی پیشرو شناور که مدل تعمیم یافته روش انتخاب ویژگی پیشرو پی درپی بوده و از دسته روش های پوشش دهنده است و روش انتخاب ویژگی پیشرو پی درپی در ترکیب با ماشین بردار پشتیبان استفاده شد. این مدل ها از نوع مدل های ترکیبی انتخاب ویژگی و طبقه بندی کننده هستند. همچنین در این پژوهش از مدل رگرسیون لجستیک که یکی از مدل های آماری طبقه بندی است نیز استفاده شده است. یافته ها: پس از بررسی نسبت های مالی مهم در نهایت 29 نسبت مالی که در تحقیقات گذشته بیشتر استفاده شده بودند، انتخاب گردیند. آزمون مقایسات زوجی نشان می دهد که دقت مدل پیشنهادی این پژوهش با سطح اطمینان 95 درصد بهتر از دیگر مدل های استفاده شده در این پژوهش می باشد. نتیجه گیری: نتایج نشان داد که مدل پیشنهادی این تحقیق در یک سال، دو سال و سه سال قبل از درماندگی مالی به طور معناداری از عملکرد بهتری در پیش بینی درماندگی مالی نسبت به روش انتخاب ویژگی پیشرو پی درپی و مدل رگرسیون لجستیک برخوردار است.

سیستم های ترکیبی مبتنی بر شبکه های عصبی مصنوعی و سیستم های فازی مدل های مختلفی را برای پیشرفت علم ارائه می دهند از آنجا که آنها مدل هایی هستند که می توانند با آموزش عملی شبکه های عصبی و ظرفیت تفسیری سیستم های فازی کار کنند. لذا هدف این پژوهش، بررسی سیستماتیک مهمترین تئوری های پیش بینی ارز دیجیتال مبتنی بر مدل های ترکیبی فازی و شبکه های عصبی مصنوعی است مدل هایی که عمدتاً بر روش های نظارت شده جهت سنجش مدل های ترکیبی متمرکز هستند همچنین، این بررسی ، تاریخچه مدل های ترکیبی، ترکیبات و قابلیت های معماری ، پردازش داده ها و روش های سنجش آنها، ویژگی های مدل های برجسته(پیشرو) و کاربردهای آنها در پیش بینی ارز دیجیتال را نیز شامل می شود نتایج نشان می دهد که مدل های شبکه عصبی فازی و مشتقات آنها در پیش بینی ارز دیجیتال با دقت بسیار بالا و با قابلیت توجیه مناسب که در طیف وسیعی از حوزه های اقتصادی و علمی کاربرد دارد، کارآمد هستند

روش انگشت نگاری رسوب بر پایه ی ردیاب های ژئوشیمیایی، آلی، نسبت های ایزوتوپی و نیز استفاده از مدل های ترکیبی مختلف باعث شناخت سهم منابع مختلف رسوب در یک ناحیه می شود. در تحقیق حاضر با استفاده از ترکیب بهینه ی ردیاب های آلی و نسبت های ایزوتوپی اقدام به تفکیک منابع مختلف فرسایش، تولید رسوب و سپس تعیین سهم این منابع با استفاده از مدل های کالینز (Collins)، کالینز اصلاح شده (M Collins)، موتا (Motha)، لاندور (Landwehr) و اسلاتری (Slattery) در دو واحد سازندها و کابری های اراضی بر پایه ی بهینه سازی الگوریتم ژنتیک و سپس تهیه ی نقشه ی سهم مناطق مختلف (زیرحوضه ها) در سامانه ی اطلاعات جغرافیایی شد. برای تعیین بهترین مدل در این باره از شاخص های GOF و  MEاستفاده شد. عناصر کربن، مس، تیتانیوم، سیلیکون و عناصر استرانسیوم، تیتانیوم، مس، نسبت ایزوتوپی نئودیمیوم 144/143 به عنوان ردیاب های تفکیک کننده ی کاربری ها و سازندها شناخته شدند. مدل های ترکیبی کالینز اصلاح شده (MCollins) در واحد کاربری اراضی و کالینز (Collins) در واحد سازندها با شاخص های GOF، 95/99% و 996/99%  و ضریب کارآیی 16/99% و 977/99% به عنوان بهترین مدل ها انتخاب شدند. بیشترین سهم در فرسایش و رسوب حوضه ی مربوط به اراضی مرتعی و سازند آسماری به ترتیب با 65% و 5/56% می باشد. زیرحوضه های شماره ی 6 و 5 به ترتیب با 11/59% و 7/58% بیشترین و زیرحوضه ی شماره 31  با 54/7% کمترین سهم را بر فرسایش و رسوب حوضه داشتند.