106- پروژه کامل تأثیر ریسک سیستماتیک بر بازده سهام شرکت‌ها

اختصاصی از اس فایل 106- پروژه کامل تأثیر ریسک سیستماتیک بر بازده سهام شرکت‌ها دانلود با لینک مستقیم و پر سرعت .

پروژه کامل تأثیر ریسک سیستماتیک بر بازده سهام شرکت‌ها

قالب بندی : pdf

تعداد صفحات : 127

همراه با جداول و زیرنویس مطالب

پروژه کامل و آماده تحویل به استاد

فهرست :

چکیده

فصل اول: کلیات پژوهش

مقدمه

تعریف و بیان مسئله پژوهش

ضرورت و اهمیت پژوهش

اهداف پژوهش

هدف اصلی پژوهش

اهداف فرعی پژوهش

سؤالات پژوهش

فرضیه‌های پژوهش

مدل مفهومی پژوهش

متغیرهای پژوهش

متغیر مستقل

متغیر وابسته

جنبه جدید بودن و نوآوری پژوهش

قلمروی پژوهش

قلمرو موضوعی پژوهش

قلمرو مکانی پژوهش

قلمرو زمانی پژوهش

روش تحقیق

ابزار گردآوری اطلاعات و روش تجزیه و تحلیل آن

تعریف واژگان کلیدی

ساختار کلی پژوهش

خلاصه فصل

فصل دوم: مبانی نظری و پیشینه پژوهش

مقدمه

مبانی نظری تحقیق

ریسک مالی

منابع ریسک مالی

انواع ریسک مالی

روش‌های پیش‌بینی قیمت اوراق بهادار

روش پرتفوی یا تئوری گشت تصادفی

روش اساسی یا تجزیه و تحلیل بنیادی

روش نموداری یا تجزیه و تحلیل تکنیکی

برخی از اصطلاحات سرمایه‌گذاری

نهادهای مالی

بازده بدون ریسک

ریسک

ریسک غیرسیستماتیک

ریسک سیستماتیک

فاکتور بتا

ریسک بازار

مدل قیمت‌گذاری دارایی‌های سرمایه‌ای

نظریه بازار کارا

اشکال مختلف بازار کارا

شکل قوی بازار کارا

شکل نیمه قوی بازار کارا

شکل ضعیف بازار کارا

عوامل مؤثر بر ریسک و بازده سرمایه‌گذاری در محصولات مالی

عوامل کلان

سیاست‌ها و خط مشی‌های دولت

عوامل فرهنگی و اجتماعی

وضعیت صنعت

شرایط اقتصادی و دوران‌های تجاری و مالی

عوامل خرد

میزان تقاضا و کشش کالای تولیدی شرکت

سیاست‌ها و خط مشی‌های مدیریت

وضعیت مالی و حساب‌های شرکت

میزان وابستگی تولید شرکت به عوامل حیاتی و به خارج، وضعیت عمومی و جهانی منابع

عوامل غیراقتصادی

تمایل به ریسک

ادراک ریسک

نرخ بازده مورد انتظار

تجربه و دانش سرمایه‌گذاری سرمایه‌گذاران

مروری بر مطالعات تجربی

تحقیقات انجام‌شده در خارج از کشور

تحقیقات صورت گرفته در داخل کشور

خلاصه فصل

فصل سوم: روش‌شناسی پژوهش

مقدمه

روش تحقیق

قلمرو پژوهش

قلمرو زمانی

قلمرو موضوعی

قلمرو مکانی

روش جمع‌آوری اطلاعات

ابزار گردآوری اطلاعات

شیوه گردآوری اطلاعات

روایی و اعتبار داده‌ها

جامعه و نمونه آماری

اهداف مشخص پژوهش

هدف اصلی پژوهش

اهداف فرعی پژوهش

سؤالات پژوهش

فرضیه‌های پژوهش

مدل پژوهش.

متغیرهای پژوهش

متغیر مستقل

متغیر وابسته

روش تجزیه و تحلیل داده‌ها

تحلیل طیفی

محدودیت‌های تحلیل طیفی

تحلیل موجک

تبدیل فوریه

تبدیل فوریه پنجره‌ای

تبدیل موجک پیوسته

تبدیل موجک گسسته

تبدیل موجک حداکثر همپوشانی

نکات مهم در استفاده از تبدیل موجک

خلاصه فصل

فصل چهارم: تجزیه و تحلیل داده‌ها

مقدمه

روش‌های تجزیه و تحلیل اطلاعات

تشریح روش‌های آماری جهت آزمون فرضیه‌های پژوهش

آمار توصیفی

آزمون فرضیه‌های پژوهش

آزمون فرضیه اول

آزمون فرضیه دوم

آزمون فرضیه سوم

آزمون فرضیه چهارم

خلاصه فصل

فصل پنجم: خلاصه، نتیجه‌گیری و پیشنهادها

مقدمه

خلاصه نتایج آزمون فرضیه‌های تحقیق

نتیجه فرضیه اول

نتیجه فرضیه دوم

نتیجه فرضیه سوم

نتیجه فرضیه چهارم

محدودیت‌های پژوهش

پیشنهادات پژوهش

پیشنهادات منتج از آزمون فرضیه‌ها

سایر پیشنهادات تحقیق

خلاصه فصل

پیوست‌ها

منابع و مآخذ

چکیده (انگلیسی)

شرح مختصر : تحقیق حاضر به بررسی رابطه‌ی بین بازده سهام و ریسک سیستماتیک در افق‌های زمانی میان‌مدت و بلندمدت و بررسی تأثیر میزان نوسانات بازار بر رابطه‌ی فوق در شرکت‌های دارویی و شیمیایی پذیرفته‌شده در بورس اوراق بهادار تهران در بازده زمانی ۱۳۸۷ الی ۱۳۹۲ می پردازد. در بازار سرمایه یکی از مهم‌ترین مباحث ارتباط بین ریسک و بازده است، مخصوصاً ریسک سیستماتیک؛ زیرا اعتقاد بر این است که بازده سهام فقط تابعی از ریسک سیستماتیک است. تحقیقات بسیاری در زمینه بررسی رابطه‌ی بین ریسک و بازده انجام‌شده است. از جمله این تلاش‌ها، تحقیقی است که توسط شارپ انجام شد. او با معرفی مدل CAPM) مدل قیمت‌گذاری دارایی‌های سرمایه‌ای) فرض کرد که بین ریسک سیستماتیک و بازده اوراق بهادار رابطه‌ی خطی ساده و مثبتی وجود دارد. به منظور آزمون فرضیات تحقیق ابتدا دوره تحقیق را بر اساس وارایانس شاخص صنعت داروسازی و شیمیایی به دو دسته دوره‌های پر نوسان و کم نوسان تقسیم شده است. سپس اطلاعات مربوط به ریسک سیستماتیک و بازده سهام در دوره‌های پر نوسان و کم نوسان را با روش تبدیل موجک گسسته همپوشانی (DWT) و با موجک دابشیز ۴ با استفاده از نرم‌افزار MATLAB به دوره زمانی کوچک‌تر تجزیه نموده، سپس به منظور آزمون فرضیه‌های تحقیق، از تحلیل رگرسیون استفاده‌شده است. نتایج آزمون فرضیه‌های تحقیق نشان می‌دهد رابطه معناداری بین ریسک سیستماتیک و بازده در دوره زمانی پر نوسان در افق‌های زمانی میان‌مدت و بلندمدت وجود دارد. همچنین در دروه های زمانی کم نوسان نیز در افق‌های زمانی میان‌مدت رابطه معناداری میان ریسک سیستماتیک و بازده وجود دارد ولی فقط در افق زمانی بلندمدت ۱۸۲ روزه رابطه معنادار میان ریسک و بازده به اثبات می رسد

دانلودپاورپوینت ارزیابی ریسک به روش FMEA

اختصاصی از اس فایل دانلودپاورپوینت ارزیابی ریسک به روش FMEA دانلود با لینک مستقیم و پر سرعت .

ارزیابی ریسک به روش FMEA 

یک تکنیک مهندسی جهت تعیین , تشخیص و حذف خطاها، عیوب و مشکلات بالقوه و بالفعل موجود دریک سیستم، طراحی، فرآیند و یا خدمات است، قبل ازاینکه به دست مشتری برسند.

این پاورپوینت حاوی 138 اسلاید می باشد که روش FMEA را به طور کامل با ذکر مثالهای متعدد تشریح کرده است وشما پس از مطالعه این پس از مطالعه این پاورپوینت کاملا با این روش آگاه شده و میتوانید سیستم های خود را ارزیابی کنید.

جزوه آموزشی اقتصاد مهندسی (فصل هفتم: ارزیابی اقتصادی طرحها: ریسک و عدم اطمینان)

اختصاصی از اس فایل جزوه آموزشی اقتصاد مهندسی (فصل هفتم: ارزیابی اقتصادی طرحها: ریسک و عدم اطمینان) دانلود با لینک مستقیم و پر سرعت .

این فایل حاوی جزوه آموزشی اقتصاد مهندسی (فصل هفتم: ارزیابی اقتصادی طرحها: ریسک و عدم اطمینان) می باشد که به صورت فرمت PDF در 14 صفحه در اختیار شما عزیزان قرار گرفته است، در صورت تمایل می توانید این محصول را از فروشگاه خریداری و دانلود نمایید.

فهرست
ریسک و عدم اطمینان در ارزیابی طرح ها
تحلیل عدم اطمینان
تحلیل حساسیت
تحلیل نقطه سر به سر
تحلیل سناریوها

تصویر محیط برنامه

دانلود تحقیق کامل درمورد ریسک حسابرسی، تکنولوژی پیچیده و فرایند حسابرسی

اختصاصی از اس فایل دانلود تحقیق کامل درمورد ریسک حسابرسی، تکنولوژی پیچیده و فرایند حسابرسی دانلود با لینک مستقیم و پر سرعت .

لینک پرداخت و دانلود *پایین مطلب*
فرمت فایل:Word (قابل ویرایش و آماده پرینت)
تعداد صفحه: 19
فهرست و توضیحات:

ریسک حسابرسی، تکنولوژی پیچیده، و فرایند حسابرسی

تکنولوژیهای پیچیده اطلاعات و ریسک حسابرسی

SAS#94 و اثر آن بر فرایند حسابرسی

ریسک حسابرسی، تکنولوژی پیچیده، و فرایند حسابرسی

با رشد سازمانها اغلب ریسک بیشتر پذیرفته می شود، این ریسکها نباید کورکورانه و با بی احتیاطی پذیرفته شوند. چنین واحدهایی باید یک فهم روشن از عواقب بالقوه افزایش ریسک و چگونگی اطمینان از به دست آمدن عواقب مطلوب داشته باشند. چنین شرکتهایی مرتباً و به صورتی فزاینده در حال تجربه کردن مجازی سازی روابط خود با عرضه کنندگان مواد اولیه، شرکاء و مشتریان هستند و نیاز به افزایش اعتماد و اطمینان در چنین روابطی وجود دارد.

فشار بیشتری بر حسابرسان مستقل جهت گواهی دهی و شهادت دهی (attest) برای اعتماد و اطمینان وجود دارد.

رونن و چرنی (2002) نشان دادند که حسابرسان مستقل پذیرفته اند که اطمینان دهنده سطح بیمه گزاران موجود باشند.

حسابرسان از اطمینان منطقی و ارائه منصفانه و درست و صحبت می کنند اما اکنون ذی نفعان (stakhoiders) انتظار دارند که این حسابرسان بیمه گر سرمایه گذاری آنها باشند! این یک واقعیت برای حسابرسان است اگرچه عجیب و غریب به نظر می رسد (Barrier2002). در این سناریوی بیرونی (outsourced scenario) انجمن حسابداران رسمی آمریکا (AICPA) یک بیانه ی جدید از استانداردهای حسابرسی (SAS) شماره 94 را منتشر کرد که جانشین SAS#55 شد و به هر حال آن تعاریف کنترلهای داخلی را بدون تغییر نگه داشت.

هدف این مقاله بحث و بررسی SAS#94 از استانداردهای حسابرسی برای سازمانهایی است که به صورت گسترده از IT استفاده می کنند. مقاله در دو قسمت کلی تهیه شده است:

• یک بررسی از تکنولوژی های پیچیده ی اطلاعات از دیدگاه ریسک حسابرسی
• اثر SAS#94 بر فرایند حسابرسی

حسابرسان باید تمرکز بر سیاستهای تجارت الکترونیکی، ریسک تجارت الکترونیکی که باید جهت دستیابی به این سیاستها مدیریت (رهبری) شود، و پیامدهای ریسک حسابرسی این تجارت الکترونیکی را مورد توجه و ملاحظه قرار دهند. (Morgan&Stocken1998). از وقتی که حسابرسان خواستند تلاشهای گوناگونی را برای یک تحلیل منظم و با قاعده از استراتژی های تجارت الکترونیکی با SAS#94 سازمانها انجام دهند، لازم بود که حسابرسان کنترلهای داخلی مبتنی بر IT را بفهمند (درک کنند).

برای کار با متخصصان IT حسابرسان نیاز دارند توانایی های مناسب IT را برای مدیریت (اجرای) حسابرسی مفصل خود. این درک از IT وقتی که حسابرسان با رویدادهای مالی مواجه می شوند که منحصراً در فرمهای الکترونیکی و بدون پشتیبانی به صورت مستند سازی دستی (کاغذی) ثبت شده اند بسیار مهم تر می شود.

تکنولوژی هایی همچون تبادل الکترونیکی داده ها، فرایند (پردازش) گرافیکی و انتقال الکترونیکی وجوه (Deshmuk&Romine,2002) از مقدار کمی اسناد کاغذی – یا شاید هیچ – استفاده می کنند.

(Use little, Ifany, Paper). حسابرسان خدمات شهادت دهی خود را برای چنین صاحبکارانی شکل می دهند که مستلزم این است که هم از نظر مالی و هم تکنولوژیکی طبق IT کارآمد (مناسب) باشد.

همچنین لازم است آنها رویکردهای سنتی خود را با تمرکز بر استراتژی های تجارت الکترونیکی و ریسکهای تجارت مرتبط با الکترونیک که ممکن است روی دهد مورد بازبینی قرار دهند (اصلاح کنند) (Good&Schultz2002).

این فقط قسمتی از متن مقاله است . جهت دریافت کل متن مقاله ، لطفا آن را خریداری نمایید

دانلود مقاله بررسی و ارزیابی ریسک مشتریان

اختصاصی از اس فایل دانلود مقاله بررسی و ارزیابی ریسک مشتریان دانلود با لینک مستقیم و پر سرعت .

مشخصات این فایل
عنوان: بررسی و ارزیابی ریسک مشتریان
فرمت فایل:word( قابل ویرایش)
تعداد صفحات: 86

این مقاله درمورد بررسی و ارزیابی ریسک مشتریان است.

خلاصه آنچه در  مقاله بررسی و ارزیابی ریسک مشتریان می خوانید :

ویژگی های ورودی
برای تحلیل تمایز خطی (LDA) ، رگرسیون لجستیک (LR) و شبکه های عصبی لازم است که متغیرهای ورودی مقادیر عددی داشته باشند. متغیرهای غیرعددی باید به متغیرهای عددی تبدیل شوند. کاربردهای LDA ملزومات بیشتری را نیاز دارند (Leker , 1993). یکی از نیازهای اساسی LDA که البته یکی از انتقادهای اصلی آن هم بشمار می رود، این فرض است که متغیرها دارای توزیع نرمال چند متغیره باشند و همچنین ماتریس های کواریانس برای گروه ها یکسان باشد. بعضی از روش های آماری توسط سازندگان مدل برای آزمون این فرض های آماری مورد استفاده قرار می گیرند.(Feidicker,1992)   
بعضی دیگر از سازندگان مدل سعی دارند که متغیرهای ورودی را طوری تبدیل کنند که چگالی حاشیه ای آنها تقریباً نرمال باشد و این کار معمولاً با بکار بردن تبدیل یکنواخت از نوع توان کم انجام می شود. در بسیاری موارد اطلاعات راجع به مشتریان در فرض نرمال بودن صدق نمی کند. مثلاً، بسیاری از متغیرهای غیرعددی در اطلاعات پرداختی یا وصولی مشتریان مطمئناً بطور نرمال توزیع نشده است. اگر فرض های منظور برایLDA برقرار نباشد، قانون تمایز خطی ممکن است بهینه نباشد و جوابی آنچنان مقبول ندهد. اما، اگر به عنوان حاصل ترکیب خطی متغیرهایی در نظر گرفته شود که یک معیار خاص جداپذیری را بیشینه کند، آنگاه واضح است که کاربردهای فراوانی خواهد داشت. بعضی تحقیقات تجربی نشان داده اند که تخطی از فرض نرمال بودن در LDA از کاربردهای موفق آن خیلی نمی کاهد (Hand , 1997).
تابع دسته بندی تولید شده به وسیله LDA و LR توابعی خطی از متغیرهای ورودی هستند. به اعتقاد بیشتر محققین، وابستگی خطی بودن  متغیرهای ورودی تأثیر منفی روی نتایج این الگوریتم ها دارد.

(Feidicker , 1992; Hiehaus ,1987).  وابستگی خطی در بین متغیرهای ورودی به معنی اینست که یک متغیر ترکیب خطی از بقیه متغیرها باشد. البته امکان دارد که متغیرهای ورودی از این حیث از پیش، مورد بررسی قرار گیرند و اطمینان حاصل شود که وابستگی قوی بین متغیرهای ورودی باقی مانده از مجموعه داده وجود ندارد.
از دیگر معایب LDA و LR می توان به این اشاره کرد که نمی توانند اثرات متقابل را در نظر بگیرند. اثر متقابل زمانی اتفاق می افتد که وابستگی بین یک متغیر و متغیر وابسته به مقدار دیگر متغیرها بستگی داشته باشد. برای حل این مشکل، متغیر با اثر متقابل که حاصلضرب دو یا چند متغیر است، در مدل نظر گرفته شود (Rosenberg , 1994).
یکی از الزامات شبکه های عصبی نرمال سازی متغیرهای ورودی است. متغیرهای ورودی ممکن است دارای مقیاس های متفاوت از مقادیر متفاوت باشند و از این رو تأثیر آنها روی خروجی بطور نامساوی لحاظ شود و از این رو به یک مدل منحرف منجر شود. بدین خاطر، مقادیر هر متغیر ورودی باید به یک مقیاس مشترک تبدیل شوند ( مثلاً بین 0 و1) (Krause,1993).
نظر متخصصین بر این است که عملکرد شبکه های عصبی (NN) ، درخت های تصمیم (DT) و روش های یادگیری مورد ـ مبنا (IBL) در مقایسه با روش های سنتی با نسبت مشتریان خوب و بد در مجموعه داده ارتباط دارد (Desai ,1997; Michie,1994). معمولاً احتمالات پیشین یکسان از موارد «خوب» و «بد» از نمونه های آموزشی می تواند عملکرد مدل را بهبود دهد. در مقابل، الگوریتم های آماری می تواند با این مطلب گلاویز شده و پس از آن نسبت های متفاوت کلاس ها در نمونه های آموزشی بخوبی برآیند.
(Michie,1994).
از مقایسه الزامات ورودی  های پنج الگوریتم مطرح شده فوق می توان دید که نیازهای محدود کننده در روش های سنتی کاربردهای آنان را محدود می کنند (جدول 3-1) و در نتیجه کارهای پیش پردازش بیشتری هم برای آنها مورد نیاز است. در مقابل، روش های جدید (NN,DT,IBL) می توانند با فروض و یا نیازمندی های کم در داده های ورودی، دانش موجود در آنها را یاد بگیرند.
خروجی های مدل
خروجی روش های LDA و LR به شکل امتیاز می باشند. خروجی شبکه های عصبی می تواند هم امتیازات پیوسته و هم درجه عضویت در کلاس ها باشند که بر اساس هر کدام از این خروجی ها به آنها شبکه های دسته بندی و شبکه های امتیازدهی  هم می گویند (Fritz , 1998).
خروجی های درخت تصمیم معمولاً درجه عضویت در کلاس ها است. روش درخت تصمیم با خروجی کلاس، مشتریان را در گروه هایی دسته بندی می کند که هر گروه دارای ویژگی های یکسان خوش حسابی یا بدحسابی است و از ویژگی های خوش حسابی و بدحسابی دیگر گروه ها متمایز است.
(Thomas,2000)
درخت های تصمیم می توانند پیش بینی عددی هم انجام دهند. برای مثال، الگوریتم C4.5 پیش بینی های پیوسته ای با توابع رگرسیون خطی در برگ ها بدست می آورد (Frank ,1998).

خروجی روش یادگیری مورد ـ مبنا می تواند امتیازات و کلاس ها باشند. روش k نزدیکترین همسایه، درجه عضویت کلاس ها را تولید می کند. در حالیکه رگرسیون محلی وزنی که برای پیش بینی عددی بکار می رود، دارای خروجی به شکل امتیازهای پیوسته است.
برای روشی که دارای خروجی به شکل امتیاز است، و تنها دو کلاس وجود داشته باشند برای انتخاب سطح مطلوب و متوازن بین مشتری خوش حساب و بدحساب باید یک مقدار آستانه تعیین گردد. این موضوع انعطاف پذیری در تصمیم گیری را بالا می برد. بر اساس نظر و سطح ریسک صاحب سرویس، لازم است که تصمیم گیرنده تنها مقدار آستانه را تغییر دهد. در مقابل روشی که خروجی آن درجه عضویت در کلاس است، با وجود اینکه برای فهم و بکارگیری ساده هستند ولی فاقد این انعطاف پذیری است. هنگامی که نظر صاحب سرویس و یا تصمیم گیرنده در مورد سطح ریسک و یا دیگر پارامترها عوض شود، این مدل ها باید از نو ساخته شوند.
جدول 3-1: مقایسه روش های دسته بندی

عملکرد در کاربردهای قبلی
این واقعیت را که تکنیک های جدید نظیر شبکه های عصبی می توانند روابط غیر خطی را کشف کنند؛ چیزی که تکنیک های سنتی قادر به آن نیستند، باید یک عملکرد برتر و یا مزیت محسوب کرد. اما، تعدادی مقایسات عمومی وجود دارند که این تکنیک ها را در زمینه رفتار مشتریان از حیث خوش حسابی و بدحسابی، اعتبار خوب و اعتبار بد مقایسه کرده اند ولی همه آنها برتری فوق را برای تکنیک های جدید قائل نشده اند. کارهای انجام شده نتایج مختلف و بعضاً متناقض را نشان می دهند.
بعضی از محققین ادعا کرده اند که تکنیک های قدیمی از تکنیک های جدید بهترند (Yobas , 2000). بعضی از نویسندگان دریافه اند که اختلاف اندکی بین دقت دسته بندی هر روش وجود دارد (Thomas ,2000;Hand,1997).
برای مثال یک تحقیق نشان می دهد که شبکه های عصبی در دسته بندی مشتریان با عملکرد بدمالی بهتر از LDA عمل می کنند (Desai,1997,1996). از سویی دیگر، تحقیقی دریافته است که موارد «بد» به وسیله تحلیل تمایزی بهتر تشخیص داده می شوند در حالیکه، موارد «خوب» با شبکه های عصبی بهتر دسته بندی می شوند R.Malhotra and D.K. Malhotra ,2002)).
زمانی که الگوریتم جدیدی ارائه می شود، سازنده آن برتری آن را با تجربه و آزمایش بر روی تعدادی داده های واقعی اثبات می کند. اما، اینکه این برتری در جاهای دیگر و با داده های متفاوت از قبلی حفظ شود، مسأله ای قطعی نیست. بررسی های مقایسه ای نشان داده است که هیچ روشی نمی تواند هموار بهتر از بقیه باشد، بلکه برای یک سری داده های خاص یک یا چند الگوریتم بهینه و برتر ممکن است وجود داشته باشد.
عملکرد الگوریتم دسته بندی به این بستگی دارد که سازنده مدل چگونه با مجموعه داده ها رفتار می کند و چگونه آنها را بکار می گیرد. مثلاً چگونه متغیرهای درونی را انتخاب می کند، یا مقادیر گم شده چگونه برخورد می کند و اینکه چگونه سازنده مدل پارامترهای مدل را انتخاب می کند و غیره. برای انتخاب یک روش بهینه برای یک مجموعه داده خاص، این عوامل بخوبی باید در نظر گرفته شوند.
 
خلاصه و نتیجه گیری
در فصل سوم تکنیک ها و الگوریتم های مختلف دسته بندی مورد بررسی قرار گرفته اند. در این فصل ضمن اشاره به هر کدام از تکنیک ها، کاربردهای آنها برای مسأله دسته بندی و تشخیص بدحسابی مورد اشاره قرار گرفت. دو  تکنیک شبکه عصبی و درخت تصمیم که جزو ابزارهایی مورد استفاده در این تحقیق هستند، به تفصیل بیشتری آورده شده اند.
تکنیک ها و الگوریتم های معرفی شده از چند جنبه مهم با هم مقایسه شدند. همچنین به مزایا و معایب هر کدام اشاره گردید و مشخص شد که این تکنیک ها، علیرغم داشتن برتری های نسبی، هیچکدام همواره بر دیگری برتری ندارد و این نوع مسأله است که نقش اساسی را در تعیین بهترین تکنیک یا الگوریتم دارد.

بخشی از فهرست مطالب مقاله بررسی و ارزیابی ریسک مشتریان

مقدمه
ریسک اعتباری
رتبه بندی اعتباری
تعریف رتبه بندی
چرا رتبه ها اهمیت دارند؟
رتبه ها و خطر نکول
مدلهای رتبه بندی
اصول مدیریت ریسک اعتباری
حصول اطمینان از کنترل بر ریسک اعتباری
کاربرد شبکه های عصبی در برآورد ریسک اعتباری
ریسک اعتباری
ظرفیت اعتباری
-1-6- برآورد ریسک و ظرفیت اعتباری با استفاده از
شبکه های عصبی و مدل رگرسیون
الگوریتم یادگیری در شبکه های عصبی
اندازه شبکه عصبی
شده است.
نسبت های مالی
نسبت های بدهی یا اهرمی:
تحلیل تمایزی خطی بیزی
قاعده اساسی دسته بندی بیز:
تحلیل تمایز خطی
رگرسیون لجستیک
فراگیری مورد ـ مبنا
درخت های تصمیم
پیچیدگی محاسباتی درخت تصمیم
شبکه های عصبی
پرسپترون چند لایه
ویژگی های ورودی
عملکرد در کاربردهای قبلی
خلاصه و نتیجه گیری