Browsing by Issue Date, starting with "2021-08-31"
Now showing 1 - 2 of 2
Results Per Page
Sort Options
- Determinantes da estrutura de capitais das empresas do setor hoteleiro em PortugalPublication . Coelho, Mário Adriano de Jesus Rodrigues; Gomes, Luís PereiraA industria hoteleira é referência entre os setores com maior desenvolvimento nos últimos anos em Portugal. Impulsionada pelo forte crescimento turístico e pela consequente captação de novos projetos estratégicos, a hotelaria tem reforçado a sua contribuição para a balança comercial. A procura de soluções para a estrutura de capitais das empresas continua a assumir relevância na investigação financeira, sendo útil para os analistas e para os gestores. Apesar de existirem diversos estudos, os resultados ainda não são exclusivos e no setor hoteleiro português ainda são escassos, justificando novos trabalhos neste domínio. Esta investigação pretende analisar a influência de determinantes da estrutura de capitais sobre o endividamento empresarial de 821 empresas portuguesas do setor hoteleiro (551 CAE - Rev.3), selecionadas através da base de dados SABI, no período compreendido entre 2011 e 2019. O estudo é conduzido à luz da teoria Trade Off e da teoria Pecking Order, sendo o endividamento empresarial representado pelo rácio de endividamento total, pelo rácio do logarítmo da estrutura financeira (debt-to-equity ratio) e pelo rácio de endividamento de médio e longo prazo. Como determinantes da estrutura de capitais no estudo foram considerados a rendibilidade, a dimensão, a tangibilidade dos ativos, as oportunidades de crescimento, o risco e outros benefícios fiscais para além da dívida. O estudo adota o modelo estático de dados em painel, recorrendo à estimação através do modelo Ordinary Least Squares (OLS), de um modelo de efeitos fixos estimado com Least Squares Dummy Variables (LSDV) within e de um modelo de efeitos aleatórios. Relativamente aos modelos definidos para o rácio do logaritmo da estrutura financeira e para o rácio do endividamento de médio e longo prazo identificaram-se estimativas significantes nos parâmetros dos determinantes e resultados convergentes. Apesar da reduzida capacidade explicativa dos modelos, em termos do ajuste à amostra, os testes realizados naquelas duas situações sugeriram a adoção do modelo de efeitos fixos. A variável dependente endividamento, expressa pelo rácio do logarítmo da estrutura financeira, é positivamente influenciada pelos determinantes dimensão, tangibilidade, oportunidades de crescimento e risco, mas negativamente influenciada pela rendibilidade. Expressando a variável dependente pelo rácio de endividamento de médio v e longo prazo, é positivamente influenciada pelos determinantes dimensão, tangibilidade, oportunidades de crescimento e risco, mas negativamente influenciada pela rendibilidade e por outros beneficios fiscais para além da dívida. Os resultados globais sugerem que ambas as teorias – TOT e sobretudo a POT – são importantes para explicar as decisões sobre a estruturação dos capitais financeiros das empresas hoteleiras do mercado português.
- 3D convolutional neural networks based automatic modulation classification in the presence of channel noisePublication . Khan, Rahim; Yang, Qiang; Ullah, Inam; Rehman, Ateeq Ur; Tufail, Ahsan Bin; NOOR, ALAM; Rehman, Abdul; Cengiz, KorhanAutomatic modulation classification is a task that is essentially required in many intelligent communication systems such as fibre-optic, next-generation 5G or 6G systems, cognitive radio as well as multimedia internet-ofthings networks etc. Deep learning (DL) is a representation learning method that takes raw data and finds representations for different tasks such as classification and detection. DL techniques like Convolutional Neural Networks (CNNs) have a strong potential to process and analyse large chunks of data. In this work, we considered the problem of multiclass (eight classes) classification of modulated signals, which are, Binary Phase Shift Keying, Quadrature Phase Shift Keying, 16 and 64 Quadrature Amplitude Modulation corrupted by Additive White Gaussian Noise, Rician and Rayleigh fading channels using 3D-CNN architectures in both frequency and spatial domains while deploying three approaches for data augmentation, which are, random zoomed in/out, random shift and random weak Gaussian blurring augmentation techniques with a cross-validation (CV) based hyperparameter selection statistical approach. Simulation results testify the performance of 10-fold CV without augmentation in the spatial domain to be the best while the worst performing method happens to be 10-fold CV without augmentation in the frequency domain and we found learning in the spatial domain to be better than learning in the frequency domain.