حمید خالوزاده

فرایندهای سری زمانی را می توان به سه طبقه خطی، تصادفی و آشوبگونه دسته بندی کرد و براین اساس قابلیت پیش بینی در فرایندهای خطی ممکن، درفرایندهای تصادفی غیرممکن و در فرایندهای آشوبگونه تا حدی ممکن است. تحقیقات و مطالعات انجام شده قبلی در زمینه مدل سازی و پیش بینی قیمت سهام بیشتربر اساس اثبات این فرضیه بوده است که تغییرات قیمت و بازده سهام در بازار بورس و مخصوصا بازار بورس تهران علیرغم شباهت زیادی که به رفتار تصادفی و اتفاقی دارد، اتفاقی نیست بلکه از نوع آشوبگونه است و بنابر این می توان توسط مدل های پیچیده و قوی مانند شبکه های عصبی، فازی و ترکیب های مختلف این دو روش مدل سازی و نیز پیش بینی کوتاه مدت و میان مدت را انجام داد. در این تحقیق، تغییرات قیمت و بازده سهام در بازار بورس تهران با هدف مدل سازی بر اساس معادلات دیفرانسیل تصادفی بر روی مقوله پیش بینی، مورد مطالعه و بررسی قرار گرفته است، با در نظر گرفتن نوسانات قیمت سهام به شکل تصادفی و بر اساس مدل بلاک و شولز، مدل سازی دینامیک فرایند مولد قیمت سهام در بازار بورس تهران را با استفاده از معادلات دیفرانسیل تصادفی پیشنهاد کرده و بر این اساس مدل سازی، شبیه سازی و پیش بینی قیمت و بازده برای یکی از شرکت های عضو بازار بورس تهران انجام می گیرد، برای بررسی کارایی روش پیشنهادی مقایسه ای نیز با روش مدل سازی خطی صورت پذیرفته است.

در این مقاله با استفاده از اطلاعات سری زمانی قیمت و بازده سهام چند شرکت در بازار بورس تهران، به پیش بینی قیمت سهام و نیز ارائه مدل بهینه پرداخته می شود. روشهای پیش بینی مورد استفاده در تحقیق، به سه دسته تقسیم شده اند: روشهای پیش بینی براساس مدلهای خطی (کوتاه مدت و بلندمدت)، روشهای پیش بینی براساس مدلهای غیرخطی (شبکه های عصبی غیرخطی) و مدل شبکه عصبی با ساختار پیشنهادی، در هر مورد نتایج به دست آمده رسم شده اند. با استفاده از پیش پردازش های اشاره شده، نشان داده می شود که قیمت و بازده سهام (درهر 6 سهم مربوط به صنایع مختلف) از نگاشتهای پیچیده غیرخطی و آشوبگرانه به وجود آمده اند و اساساً از روشهای غیرخطی شبکه های عصبی به خودی خود و به شکل متعارف بهبود قابل ملاحظه ای را به دنبال ندارد. با ارائه پیشنهاد ساختار جدید، می توان قیمت و بازده را به خوبی در دو حالت پیش بینی روز بعد و پیش بینی سی روز بعد تخمین زد.

در این مقاله، با هدف دستیابی به پیش بینی های دقیق تر، سه نوع الگوی رگرسیون خطی، سری زمانی و شبکه عصبی مصنوعی طراحی و برآورد شده است. در ابتدا ماهیت ساختاری سری زمانی مورد نظر از جهت خطی، غیر خطی و تصادفی بودن با استفاده از آزمون نمای لیاپانوف بررسی شده است. نتایج این آزمون، وجود آشوب ضعیفی را در سیستم نشان می دهد و بیانگر امکان استفاده از الگوسازی غیر خطی برای پیش بینی دقیق تر کوتاه مدت است. در مرحله بعد با استفاده از رگرسیون خطی، الگوی سری زمانی و شبکه های عصبی مصنوعی، ضمن انجام پیش بینی درآمدهای مالیات بر مشاغل طی دوره زمانی 1379-1383، عملکرد این سه روش با یکدیگر مقایسه شده است. نتایج برآورد الگوها نشان دهنده عملکرد بهتر الگوی شبکه عصبی مصنوعی می باشد.

ناشناخته بودن عوامل تاثیر گذار بر تغییرات قیمت سهام همواره دلیلی برای روی آوردن به پیش بینی تغییرات قیمت سهام شرکتها است پیش بینی قیمت یا بازده سهام به کمک کشف الگوهای رفتاری فرایند مولد قیمت سهام امکان پذیر است در واقع فرایند مولد قیمت سهام را می توان یه عنوان یک سیستم پویا بررسی کرد فرایند مزبور ممکن است به صورت سیستم های تصادفی ،سیستم های خطی ARIMA یا سیستم های غیر خطی به دست آید .در سالهای اخیر روشهای مختلفی برای بررسی ساختاری سری زمانی قیمتهای سهام به کار گرفته شده است که یکی از آنها تحلیل R/S یا تغییر مبنای حوزه تغییرات سری زمانی قیمتهاست . در تحقیق پیش رو زمینه های کاربرد روش تحلیل R/S در بورس اوراق بهادار تهران با بررسی موردی سری زمانی قیمت سهام شهد ایران آزمون شده است . بر پایه یافته های پژوهش حاضر میانگین اثر حافظه درازمدت در سری زمانی مزبور حدود 50 روز بوده است .

تحقیقات بسیاری در سال های اخیر برای توسعه روش های مدیریت ریسک بر اساس نظریه ارزش در معرض ریسک (VaR) انجام شده است. در این مقاله با استفاده از الگوریتم های ژنتیک (GA) سبد سهام بهینه ای به دست می آید که دارای سود ماکزیمم است ضمن آن که دارای قیدی روی ریسک سبد است. معیار برآورد ریسک نیز VaR در نظر گرفته شده است. این معیار به سادگی و تنها با یک عدد ریسک بازار را مدل می کند. روش GA، از جمله الگوریتم های بهینه سازی عددی بوده که از ژنتیک طبیعی و روند تکامل در طبیعت الهام گرفته اند. مزیت اصلی این الگوریتم ها، انعطاف پذیری بسیار بالای آن ها در برخورد با مسایل پیچیده و عدم نیاز به شرایط ریاضی خاص مانند پیوستگی و مشتق پذیری توابع است. شبیه سازی برای سبد سهامی متشکل از 12 شرکت مختلف در بازار بورس تهران انجام شده است. نتایج به دست آمده نشانگر کارایی روش مدل سازی ریسک بازار بر مبنای نظریه ارزش در معرض ریسک و روش بهینه سازی الگوریتم های ژنتیک در به دست آوردن وزن های بهینه سبد سهام با در نظر گرفتن محدودیت بر روی دیسک است.

پیش بینی درآمدهای مالیاتی قابل حصول در منابع مختلف مالیاتی، علاوه بر تخصیص بهینه منابع محدود سازمانی در جهت وصول مالیات، دولت را در انجام برنامه ریزی های دقیق مالی کمک می نماید. این مقاله با استفاده از الگوریتم تکاملی ازدحام ذرات و نسخه بهبودیافته آن به پیش بینی درآمدهای مالیاتی کشور به تفکیک منابع وصولی (مالیاتهای کل، کالا وخدمات، اشخاص حقوقی، درآمد و ثروت) برای سالهای 95-1392 می پردازد. به این منظور از داده های درآمدهای مالیاتی سالهای 86-1350 برای آموزش شبکه استفاده شده و سپس با استفاده از الگوریتم تکاملی ازدحام ذرات و ازدحام ذرات بهبود یافته پارامترهای این مدل بهینه شده است. از داده های سالهای 91-1387 برای آزمون مدل استفاده شده که نتایج تاییدی بر عملکرد مدل مورد استفاده بوده و در نهایت پیش بینی برون نمونه ای درآمدهای مالیاتی به تفکیک منابع وصولی برای سالهای 95-1392 با استفاده از نرم افزار MATHLAB انجام شده است.

در این مقاله ی، پیش بینی درآمدهای مالیاتی کشور طی سال های برنامه ی پنجم توسعه، یا به کارگیری روش شبکه های عصبی غیرخطی انجام شده است. این پیش بینی بر مبنای داده-های درآمدهای مالیاتی به تفکیک مالیات های کل، مستقیم، غیرمستقیم (سال های 87-1338)، شرکت ها، درآمد، ثروت و واردات (87-1342) بوده است. از آن جا که پیش بینی ها مربوط به دوره ی میان مدت می باشد، شناخت نسبی از میزان پیچیدگی سری های زمانی موردنظر این امکان را فراهم می کند که با توجه به ساختار سری های زمانی، از مدل های مناسب برای پیش بینی و دستیابی به جواب های قابل اطمینان استفاده شود، لذا در این مقاله ابتدا ماهیت ساختاری سری زمانی درآمدهای مالیاتی از جهت آشوبی و تصادفی بودن و میزان پیچیدگی، با استفاده از آزمون بُعد همبستگی، بررسی شده است. نتایج تخمین بُعد همبستگی علاوه بر تأیید وجود آشوب در داده ها، نشانگر پیچیدگی در ساختار سری های زمانی موردنظر می باشد که میزان آن در مورد هر متغیر از جهت شدت و ضعف، متفاوت است. در مرحله ی بعد، درآمدهای مالیاتی به تفکیک منابع وصولی با استفاده از شبکه ی عصبی پیشنهادی وی ژه ی مؤلفان با ساختار چندورودی چندخروجی و قانون یادگیری پیشنهادی برای سال های 93-1388، به صورت یک بازه ی درآمدی پیش بینی شده است. نتایج به دست آمده از فرآیند پیش بینی شش سال آینده در فاز آموزش بسیار مطلوب بوده است و انتظار می رود در سال های آینده نیز مقادیر پیش بینی شده چنان چه تغییر ساختار ویژه ی مالیاتی رخ ندهد، با دقت خوبی برقرار باشد. طبقه بندی G11, G1 :JEL

با وجود استفاده روزافزون از الگوریتم های بهینه سازی تکاملی چندهدفه در شاخه های مختلف علوم، به کاربردن آنها به عنوان ابزار بسیار قدرتمند در زمینه بهینه سازی سبد سرمایه، به ویژه حل مسئله چندهدفه، همچنان در مراحل اولیه پژوهش است. در این مقاله، از الگوریتم های تکاملی چندهدفه برای حل مسئله بهینه سازی چندهدفه سبد سرمایه در بورس اوراق بهادار تهران استفاده شده است. برای این منظور، دو روش مهم و پرکاربردِ الگوریتم ژنتیک چندهدفه با مرتب سازی نامغلوب (NSGA-II) و بهینه سازی چندهدفه ازدحام ذرات (MOPSO) با یکدیگر مقایسه شدند. جبهه های بهینه پارِتوی به دست آمده، به سرمایه گذار این امکان را می دهد که از بین ریسک و ارزش های مختلف، سبد سرمایه بهینه مدنظر را انتخاب کند. ارزش سبد سرمایه و ریسک آن به عنوان اهداف بهینه سازی و معیار ارزش در معرض ریسک مشروط به عنوان سنجه ریسک به کار برده شد و سه قید عملی و کاربردی نیز برای حل مسئله مدنظر قرار گرفت. نتایج، عملکرد بهتر روش NSGA-II را نسبت به MOPSO برای هر دو معیار همگرایی و گستردگی جبهه های بهینه پارتو نشان داد. همچنین در پیش بینی سبد سهام بهینه، انطباق جبهه های بهینه پارتوی واقعی و پیش بینی شده، نشان دهنده کارایی بسیار مناسب روش های استفاده شده است.