چکیده یکی از مباحث بنیادی مدیریت مالی که درزمره تصمیمات راهبردی پیش روی مدیران است، بودجه بندی سرمایه ای است. از جمله روش های به کار رفته جهت ارزیابی پروزه های سرمایه گذاری ،روش ارزش فعلی خالص جریان های نقدی آتی (npv) است. دراین روش ، جریان های نقدی مورد انتظار پروژه با استفاده از یک نرخ مناسب، تنزیل می گردد. دربسیاری ازموارد،این نرخ براساس میانگین موزون هزینه سرمایهwacc)) محاسبه می شود. یکی از مدل های رایج جهت محاسبه هزینه حقوق صاحبان سهام،مدل capm است که به کارگیری آن منوط به تخمین ضریب بتا است. معمولا بتا ازطریق رگرسیون تخمین زده می شود. تحلیل گران پیش از برازش خط رگرسیون می بایست نسبت به انتخاب فاصله زمانی محاسبه بازده ودوره تخمین تصمیم بگیرند. تحقیق حاضر بارویکرد ارزیابی اندازه شرکت و دوره تخمین در محاسبه بتا، صورت گرفته و نتایج بدست آمده نیز موید این مطلب است که برای شرکت های مختلف (بزرگ،متوسط،کوچک) دوره تخمین محاسبه بتا متفاوت است.درنهایت برای شرکت های بزرگ ،دوسال وشرکت های متوسط،سه سال وشرکت های کوچک،پنج سال بدست آمد.

امروزه فناوری اطلاعات به عامل مهمی در توسعه آینده صنعت خدمات مالی و خصوصا صنعت بانکداری، تبدیل شده است. تحولات تکنولوژی اطلاعات و ارتباطات به میزان قابل توجهی به رشد نمایی و سود موسسات مالی در سراسر جهان، کمک کرده است. تحقیق حاضر به بررسی تأثیر فناوری اطلاعات بر کاهش هزینه خدمات بانکی، در بانک دی می پردازد. در این تحقیق همچنین میزان این کاهش هزینه، از طریق محاسبه هزینه هر تراکنش در کانالهای مختلف بانکی، محاسبه گردیده است. به منظور بررسی تأثیر فناوری اطلاعات بر هزینه های عملیاتی بانک، از مدل تحلیل سلسه مراتبی و آزمون مقایسه میانگین دو جامعه مستقل، جهت آزمون فرضیات تحقیق استفاده شده است. نتایج تحقیق بیانگر تأثیر مثبت فناوری اطلاعات بر کاهش هزینه های عملیاتی بانک می باشد

در این گزارش ضمن تشریح مبانی نظری و مفهوم شناسی روش های مدرن هزینه یابی و نیز مبانی نظری و مفهوم شناسی روش های هوش مصنوعی به چگونگی طراحی سیستم هوش مصنوعی شامل طراحی سیستم فازی به منظور فازی سازی متغیر های کیفی و طراحی و آموزش شبکه عصبی مصنوعی به منظور کنترل هزینه پروژه ها پرداخته شده است. به این منظور داده های مرتبط با هزینه و مشخصات پروژه شرکت مهندسی مشاور نیروی خراسان (منیران) استخراج شده و متغیرهای کیفی با اخذ نظر خبرگان و تعریف سیستم استنتاجی فازی مناسب به متغیر-های کمی تبدیل شده و به همراه سایر متغیرهای کمی برای آموزش شبکه عصبی طراحی شده به کار رفت. مشاهده گردید که ارتباط معنی داری میان خروجی سیستم هوش مصنوعی و متغیر های هدف وجود دارد و لذا امکان استفاده از این سیستم برای استفاده های پیش بینی هزینه و براورد قیمت پروژه ها با سطح خطای 4 درصد قابل اطمینان است. پیشنهادهای لازم برای بهبود سیستم طراحی شده و نتایج و یافته های تحقیق در فصل پنجم ارائه شده است.