مینو نظیفی نایینی

طلا یک کالای استراتژیک است و عوامل زیادی بر قیمت آن تاثیر می گذارد. از طرفی روش شبکه عصبی توانایی خاصی در برآورد روند و پیش بینی نوسانات قیمت طلا دارد و روش رگرسیون سوئیچینگ نیز توانایی در شناسایی شوک ها و سال های تغییر رژیم های نوسانات در سطح پر نوسان و کم نوسان دارد. این تحقیق به طور جداگانه بر بررسی هر یک و پیاده سازی این روش ها در داده های نوسانات قیمت طلا می پردازیم. روش تحقیق: در این پژوهش با شناسایی عوامل موثر بر نوسان های قیمت طلا برای دوره 1390-1359 الگوی متناسب با این نوسان ها مدل سازی می شود. برای مدل سازی از دو روش غیر خطی شبکه عصبی و مدل رگرسیون چرخشی مارکف استفاده شده است. هدف مدل سازی در این مطالعه مقایسه دو روش نیست بلکه با یاری جستن از دو مدل سعی در برازش بهتر و پیش بینی بهتر مدل ها می باشد. هر یک از این دو روش توانایی خاصی در قسمتی از فرآیند مدل سازی دارند. شبکه عصبی به کار گرفته شده در این پژوهش حاوی 2 لایه پنهان و رگرسیون چرخشی نیز دارای 2 رژیم می باشد. نتایج حاکی از آن است که روش شبکه عصبی به خوبی توانسته نوسانات قیمت طلا را پیش بینی کند و روش رگرسیون چرخشی سال های چرخش و شوک را شناسایی نموده و تشخیص داده شده که در ایران مدتی که بازار طلا در حالت کم نوسان است، بیشتر از حالت پر نوسان است. نتایج نشان می دهد از میان عوامل موثر بر قیمت طلا در مدل شبکه عصبی متغیر نرخ ارز و قیمت جهانی طلا بیشترین تاثیر را دارد و در مدل چرخشی مارکف متغیر قیمت نفت و پس از آن CPIدارای بالاترین اهمیت و درجه تاثیر گذاری بر قیمت طلا می باشد.

در این مطالعه، قدرت برازش و قدرت پیش بینی مجموعه ای از مدل های انتقالی گارچ مارکف SW-GARCH، با استفاده از داده های بازار بورس اوراق بهادار تهران، طی سال های 90-1376 مقایسه می شود. در این مقاله، از مدل انتقالی گارچ مارکف برای پیش بینی نوسانات در بازار بورس اوراق بهادار تهران در افق های پیش بینی کوتاه مدت شامل یک روزه و پنج روزه (هفته ای) و دوره بلندمدت شامل ده روزه و 22روزه استفاده شده است. علت استفاده از این مدل ها آن است که برای همه شاخص های مدل، امکان چرخش یا انتقال بین دو رژیم پرنوسان و کم نوسان وجود دارد. به همین دلیل، هم توزیع گوسی (نرمال) و هم دو توزیع دنباله پهن (t-استیودنت و GED) برای خطاها در نظر گرفته شده است. درجه آزادی نیز بین دو رژیم نوسان تغییرپذیر تعبیه شد تا چولگی احتمالی وابسته به زمان نیز در نظر گرفته شود. نتایج تجربی نشان می دهد برای پیش بینی نوسانات بازار سهام ایران، عملکرد مدل های SW-GARCH با توزیع خطای t و با درجه آزادی متغیر بین دو رژیم، بسیار بهتر از مدل های گارچ معمولی است. حتی در برازش و بررسی های داخل نمونه ای نیز این نوع از مدل های انتقالی مارکف، رتبه اول را در زمینه قدرت برازش به خود اختصاص دادند.

گردشگری در بخش اقتصاد، شامل خدماتی است که تأثیر زیادی بر فعالیت های اقتصادی و اجتماعی دارد و شناخت این ارتباطات کمک قابل توجهی به تعامل بین توسعه پایدار و گردشگری خواهد کرد. در این مطالعه، ضمن بررسی وضعیت صنعت گردشگری در ایران، به مدلسازی تقاضای گردشگر در ایران با استفاده از روش شبکه عصبی پرداخته شده است. در مدل متغیرهای ورودی عبارتند از: تعداد گردشگر ورودی به ایران در طی سال های 1359 تا 1390، ارز حاصل از گردشگری در طی این سال ها و همچنین یک متغیر مجازی (عوامل سیاسی) که توسط محقق برای بررسی میزان تأثیر وجود جنگ در منطقه بر روی تقاضای گردشگر تعریف شده است. نتایج نشان می دهد که نرخ ارز بیشترین اهمیت را در مدل داشته و جنگ کمترین اهمیت را در میان عوامل مؤثر بر تقاضای گردشگر در ایران داشته است.

امروزه با توجه به نقش زنان، اهمیت دادن به وضعیت اشتغال زنان و هدایت آن ها به بازار کار می تواند زمینه بهره گیری بهتر جامعه از این نیروی بالقوه را فرآهم آورد. به همین دلیل شناخت مجموعه عوامل زمینه ساز مشارکت هرچه بیش تر این جمعیت توانمند در عرصه های اقتصادی و اجتماعی کشور اولویت ویژه ای دارد. هدف از مطالعه حاضر بررسی تأثیر متغیرهایی چون نرخ پوشش آموزش ابتدایی، متوسطه و عالی برای دختران، سهم ارزش افزوده بخش صنعت در تولید ناخالص داخلی (شاخص مراحل توسعه)، مجذور سهم ارزش افزوده صنعت (شاخص توسعه یافتگی)، نسبت ازدواج به طلاق (شاخص اجتماعی – فرهنگی)، سهم مخارج دولت از تولید ناخالص داخلی (شاخص اندازه دولت ) بر اشتغال زنان در ایران طی سال های 1390-1347 بود. بدین منظور از مدل شبکه عصبی مصنوعی استفاده شد. نتیجه پژوهش نشان می دهد که در دوره مورد بررسی افزایش درجه توسعه یافتگی کشور و بالا رفتن سطح تحصیلات زنان، بیش ترین تأثیر را در افزایش سهم زنان در نیروی کار داشته است.

امروزه با وجود روش های مختلف برای بررسی های بازارهای مالی، هنوز پیش بینی دقیق بازده سهام کار چندان ساده ای نیست. از گذشته تا به امروز مدل های خود رگرسیون (AR) که توسط باکس و جنکینز معرفی شد در پیش بینی مسائل متعددی مثل مسائل مالی استفاده می شود و اساس عملکرد این گونه مدل ها این است که مقادیر آینده سری، با مقادیر گذشته و جاری سری رابطه داشته اند. از طرفی مدل سازی قیمت سهام نیز همیشه از موضوعات جذاب در بورس اوراق بهادار می باشد.در این راستا مدل سازی و پیش بینی روند بازدهی سهام با استفاده از خانواده اتورگرسیو با دو رژیم بسیار مفید و می باشد. این مقاله در پی این است که نرخ بازدهی شاخص مالی را در ارتباط با احتمالات انتقال مجزا که مربوط به دو رژیم مجزا می باشد، مدل سازی کند. این گونه مدل ها برای پیش بینی کوتاه مدت بسیار مفید می باشند.روش این مطالعه روش مدل اتورگرسیو مارکف (MS-AR) می باشد. برآوردهای تجربی این مقاله حاکی از آن است که نوسانات شاخص مالی بورس اوراق بهادار ایران می تواند توسط الگوی خود بازگشتی مارکف نسبت به مدل های بازگشتی ساده بهتر توصیف شوند. برتری مدل های خود بازگشتی مارکف برای ضرایب مثبت در تأخیرهای کم واضح تر می باشد. مدل مارکف انتقالات بین حالت رکودی و حالت رونقی (حالت پر نوسان و کم نوسان ) را مدل سازی می کند و مدل خود بازگشتی مارکف یک روش غیرخطی است که پرش ها و بحران های بازارهای مالی را بسیار خوب مدل سازی می کند و این خاصیت به خاطر تفکیک داده های سری به رژیم های مختلف می باشد. مدل چرخشی خود بازگشتی مارکف می تواند به صور دقیق مهر و موم های اخیر رژیم در بازار سهام و شوک های وارد شده به بازار سهام ایران را شناسایی کند. نوسانات بازده سهام را توانسته به دو رژیم پر نوسان و کم نوسان تفکیک کند نتایج نشان می دهد که در بازار ایران مدت ماندن بازار در رژیم پر نوسان طولانی تر از مدت ماندن در رژیم کم نوسان است در ایران بازار سهام بیشتر در رژیم پر نوسان می باشد و این موضوع برای سرمایه گذاران از جنبه برای سودآوری مهم می باشد زیرا می توان از این نوسانات فرصت سودآوری را شناسایی نمود.