رضا راعی

در این مقاله با استفاده از رویکرد هاسبروک (1991) و دافور و انگل (2000) نسبت به مدل سازی قیمت های معاملاتی در بورس تهران اقدام نموده ایم. سازگار با مدل های نظری و تحقیقات تجربی در سایر بازارها، مدل تخمینی خودرگرسیو برداری بر روی هفت شرکت انتخابی در بورس تهران وجود رابطه معنی دار بین جهت معامله و مظنه ها را در بورس تهران مورد تایید قرار داد. همچنین ملاحظه گردید که فاصله بین معاملات و دامنک در شکل گیری مظنه ها از نظر آماری معنی دار می باشد.

در این تحقیق عملکرد روش پارامتریک در پیش بینی مقادیر ارزش در معرض خطر در مورد دو پرتفوی متشکل از شرکت‌های بورس اوراق بهادار تهران (پرتفوی متشکل از تمامی شرکت‌ها و پرتفوی متشکل از 50 شرکت با نقدشوندگی بالا) مورد بررسی قرار می‌گیرد. برای این منظور، پس از محاسب? مقادیر ارزش در معرض خطر یک روزه و ده روزه با استفاده از برخی مدل‌های خانواد? ARCH بر روی سه توزیع آماری نرمال، t- استیودنت و توزیع خطای تعمیم یافته، نتایج بدست آمده با استفاده از آزمون پس نگر در حجم‌های نمونه‌ای متفاوت‌، در سطوح اطمینان پایین و بالا مورد مقایسه و تحلیل قرار می‌گیرند. نتایج بدست آمده نشان می‌دهند که اول این‌که، پیش‌بینی مقادیر ارزش در معرض خطر یک روزه و ده روزه با استفاده از توزیع‌های لپتوکورتیک از دقت و عملکرد بالاتری برخوردار می‌باشند. دوم این‌که، انتخاب حجم‌های نمونه‌ای متفاوت بر تعداد و نتایج مدل‌هایی که ارزش در معرض خطر را به درستی تخمین می‌زنند تأثیر‌گذار است.

استفاده از نسبت های مالی برای پیش بینی درماندگی مالی یا ورشکستگی شرکت ها، همیشه مورد توجه دانشگاهیان و بنگاه های اقتصادی، بویژه بانک ها و سایر نهادهای مالی بوده است. پیش بینی به موقع می تواند تصمیم گیران را در یافتن راه حل و پیشگیری از درماندگی مالی، یاری نماید. همچنین، این مدل ها کاربرد بسیار زیادی در رتبه بندی اعتباری و نحوه توزیع تسهیلات بانکی دارد. همواره سعی شده است تا دقت پیش بینی این مدل ها با استفاده از روش های پیشرفته تر بهبود یابد. در این پژوهش که هدف اصلی آن بررسی کارایی استفاده از ماشین بردار پشتیبان (SVM) در پیش بینی درماندگی مالی شرکت ها بوده است، نتایج مدل SVM در مقایسه با مدل آماری رگرسیون لجستیک (LR) بررسی شده است. یافته های تحقیق حاکی از آن است که در پیش بینی درماندگی مالی شرکت ها، مدل SVM نسبت به مدل LR بطور معناداری، از دقت کلی بیشتری برخوردار است. بررسی های انجام شده نشان می دهد که مدل SVM نسبت به مدل LR، نه تنها از دقت کلی بهتری برخوردار است، بلکه توانایی بالاتری نیز در تعمیم پذیری دارد.

این مقاله به بررسی اثرات تقویمی بازده بورس اوراق بهادار تهران پرداخته است. در ابتدا با استفاده از یک مدل کلی که طیف وسیعی از اثرات تقویمی شناخته شده درسایر بورس های اوراق بهادار جهان را شامل می گردد به شناسایی اثرات تقویمی موجود در مقادیر بازده بورس اوراق بهادار تهران پرداخته شده است. شواهد بیانگر اثر ماه مهر و اسفند قوی مقادیر بازده می باشد. بعلاوه نتایج نشان می دهند که بازده روزانه بورس با گذشت زمان کاهش یافته است. بعد از شناسایی اثرات تقویمی و حذف این اثرات از بازده بورس و قبل از برازش مدل های ARCH و GARCH جهت شبیه سازی نوسان پدیزی بازده، با استفاده از آماره BDS به بررسی نشانه های وجود ساختار غیر خطی درمقادیر پسماند حاصل از رگرسیون پرداخته شده است. نتایج حاصل از بکارگیری این تست مؤید این مطلب است که باوجود شناسایی و حذف اثرات تقویمی از مقادیر بازده روزانه، بازهم شواهدی مبنی بر وابستگی بین آنها یافت می شود. برازش مدل های ARCH و GARCH حاکی از موفق بودن این مدل ها در شبیه سازی وابستگی مقادیر پسماند می باشد. در انتها مقاله به بررسی اهمیت منظور کردن اثرات تقویمی در پیش بینی بازده بورس پرداخته است. شواهد نشان می دهد که منظور کردن اثرات تقویمی باعث افزایش قدرت پیش بینی می گردد هر چند مدل رگرسیون معمولی که اثرات تقویمی در آن منظور شده باشد نسبت به مدل های GARCH(1،1) عملکرد بهتری را دارد.

مدیریت مالی جدید با بررسی تئوری بازار کارا، وجود بی قاعدگیهای تقویمی را از جمله اثر روز های معاملاتی هفته، اثر ماههای خاص سال و نیز بی قاعدگیهای غیرتقویمی؛ مانند اثر انتشار اولیه سهام و اثر سهام از قلم افتاده را مورد تاکید قرار داده است و از آنها به عنوان بی قاعدگیهای تئوری بازار کارا یاد می کند. شناسایی و آزمون وجود یا عدم وجود اینگونه بی قاعدگیها، مبحثی جدید در حوزه سرمایه گذاری در سالهای اخیر بوده است و مطالعات گوناگونی با استفاده از آزمونهای مختلف؛ بویژه سری های زمانی و مدل رگرسیون با متغیر های مجازی در این زمینه صورت گرفته است که به فور در بازار های توسعه یافته و نو ظهور مالی دیده می شود. در این تحقیق با بررسی دقیق هر یک از اثرات تقویمی و غیر تقویمی و تعریف و تشریح کامل بی قاعدگیهای تئوری بازار کارا به مطالعه نمونه ای از آنها با عنوان «اثر ماههای خاص سال در بورس اوراق بهادار تهران» پرداخته شده است. یافته های تحقیق حاکی از وجود اثر بی قاعدگیهای تقویمی در بورس اوراق بهادار تهران است.

پژوهشگران استراتژی‌های سرمایه‌گذاری را از دیدگاه‌ها و رویکردهای بسیار متنوعی دسته‌بندی نموده‌اند. یکی از رایج‌ترین دسته‌بندی‌ها که عمده‌ مطالعات دانشگاهی نیز پیرامون آن انجام شده، استراتژی رشدی و ارزشی و استراتژی سرمایه گذاری بر مبنای اندازه است. در پژوهش‌ حاضر سعی شده دو مفهوم بالا در قالب دو فرضیه در بورس اوزاق بهادار تهران مورد بررسی قرار گیرد. جامعه آماری مورد بررسی کل شرکت‌های بورس اوراق بهادار تهران در فاصله زمانی 1382 تا 1378 است که از این میان شرکت‌های سرمایه‌گذاری ، شرکت‌های زیان‌ده و شرکت‌های کم معامله حذف شده‌اند. با بررسی فرضیه اول مشخص شد که در این دوره زمانی شرکتهای رشدی در مقایسه با شرکتهای ارزشی بازدهی بالاتری داشته اند و با بررسی فرضیه دوم مشخص شد که شرکت‌های بزرگ در مقایسه با شرکت‌های کوچک بازدهی بالاتری را به‌همراه داشته اند.

هدف اصلی این تحقیق دستیابی به یک سبد سرمایه مناسب تر برای سرمایه گذاران ریسک پذیر است. در این تحقیق مدل مارکوتیز در تئوری سبد سرمایه به عنوان مدل مقایسه ای استفاده شده است و مدل شبکه عصبی با آن مقایسه شده است. الگوی یادگیری شبکه عصبی، الگوی «پس انتشار خطا» می باشد. سبد انتخابی شامل بیست سهم از بازار بورس اوراق بهادار تهران است که برای یک دوره سیزده ماهه مورد مطالعه قرار گرفته است. در هر دو مدل شبکه عصبی و مارکوتیز، تفاوت معنی داری بین بازده روزانه سبد تصادفی و نتیجه سرمایه گذاری در پایان دوره آزمون وجود دارد. در این سبد، تنها معیار بازده مورد نظر است و ریسک مورد توجه نیست، بنابراین سبد با بالاترین ریسک در مدل مارکوتیز مورد استفاده قرار گرفته است. هزینه معامله در هر دو مدل در نظر گرفته نشده است. این مطالعه نشان می دهد که سبد سرمایه مدل شبکه عصبی پس از دوره آزمون هم بازده بیشتری داشته است و هم ریسک آن از مدل مارکوتیز پایین تر بوده است

مالیه رفتارى پارادایمى است که با توجه به آن، بازارهاى مالى با استفاده از مدل هایى مورد مطالعه قرار مى گیرند که دو مفروضه اصلى و محدود کننده پارادایم سنتى- بیشینه سازى مطلوبیت مورد انتظارو عقلانیت کامل- را کنار مى گذارد. مالیه رفتارى دو پایه اصلى دارد، یکى محدودیت در آربیتراژ که بر این اساس عنوان مى شود سرمایه گذاران عقلایى به راحتى نمى توانند از فرصت هاى آربیتراژ استفاده کنند، زیرا این کار مستلزم پذیرفتن برخی ریسک ها است. دومین پایه مالیه رفتارى، روانشناسى است که با استفاده از آن رفتار و قضاوت سرمایه گذاران و هم چنین خطاهایى که اشخاص در هنگام قضاوت مرتکب مى شوند، بررسى مى شود. در این مقاله پس از بررسى دو پایه اصلى مالیه رفتارى، به برخى از کاربردهاى آن اشاره مى شود.

درماندگى مالى،ورشکستگى، هزینه هاى زیادى به همراه دارد که به اقتصاد یک کشور صدمه وارد مى کند. یکى از راه هایى که مى تواند به جلوگیرى از درماندگى مالى کمک شایان توجهى کند، پیش بینى درماندثى مالى الست. در این پژوهش، با استفاده از شبکه هاى عصبى مصنوعى (ANN)، به پیش بینى درماندگى مالى شرکت هاى تولیدى پرداخته شده است. مرور جامعى از مدل هاى پیش بینى درماندگى مالى، شبکه هاى عصبى مصنوعى نیز ارایه شده است. به منظور بررسى اثر تفاوت ناشى از نمونه ها در ییش بینى، از روش معتبرسازى مقطعى استفاده شده است. مدل مقایسه اى استفاده شده در این پژوهش، مدل تحلیل ممیز چندگانه (MDA) است. نتایج حاصله از مدل ها، براساس اطلاعات 80 شرکت، نشان داد که مدل ANN در پیش بینى درماندگى مالى، به طور معنى دارى نسبت به مدل MDA از دقت پیش بینى بیشترى برخوردار است.

ین تحقیق به پیش بینی پذیری رفتار بازده سهام در بورس اوراق بهادار بوسیله مدل خطی عاملی و شبکه های عصبی مصنوعی می پردازد. جهت آزمون این مساله، قیمت روزانه سهام شرکت توسعه صنایع بهشهر به عنوان نمونه انتخاب شده است. متغیرهای مستقل (ورودی های) تحقیق، پنج متغیر کلان اقتصادی، یعنی شاخص کل قیمت بورس تهران، نرخ ارز (دلار) در بازار آزاد، قیمت نفت، قیمت طلا می باشد. برای برازش مدل عاملی از رگرسیون خطی چند متغییره و برای مدل شبکه عصبی از معماری (MLP) با الگوریتم آموزش پس انتشار خطا استفاده شده است. نتایج حاصله حاکی از موفقیت این دو مدل در پیش بینی رفتار بازده سهام مورد نظر و همچنین برتری عملکرد شبکه های عصبی مصنوعی بر مدل چند عاملی می باشد.

گاهی اوقات یک پست خاص دریک سازمان با کمبود نیروی انسانی روبرو می شود، در حالی که همین پست در زمانهای دیگربا تورم نیرو روبرو بوده است . موجودی انبار سازمانها نیز بعضی اوقات به صفر می رسد و به توقف خط تولید منجر می شود در صورتی که در اوقات دیگر موجودی انبار بسیار زیاد است ، و یا با خراب شدن ماشینی ملاحظه می شود که شرکت هزینه های زیادی را بابت تعمیرات و نگهداری و کاهش تولید متحمل می شود ، همچنین فروش سازمانها گاهی اوقات کمتر از تولید متحمل می شود، همچنین فروش سازمانها گاهی اوقات کمتر از تولید بوده و زمانی هم تقاضا برای محصولاتشان بیش از تولید بوده است. ملاحظه می شود که اغلب سازمانها با چنین مشکلاتی روبرو هستند . چگونه می توان سیاستهایی را برگزید که رویارویی با چنین مسائلی را به حد اقل ممکن ساند . یکی از الگوهایی که در این موارد به یاری سازمانها می شتابد ، زنجیره های مارکوف است که به عنوان یکی از فرایندهای تصادفی در مدیریت مطرح است. در سیستم نیروی انسانی سازمان یک فرد در سالها ( زمانها) ی پی در پی ممکن است در پستهای گوناگونی قرار گیرد و گاهی اوقات یک پست با کمبود نیرو یا مازاد نیرو روبرو خواهد بود که زنجیره های مارکوف می تواند موجودی نیروی انسانی هر پست را در زمان آینه بطور احتمالی بر اساس روند گذشته نشان داده ، سازمان را از موقعیت احتمالی خود در آینده از لحاظ نیروی انسانی با خبر کند تا بتواند تعدیلات لازم را در مورد مازادها و کمبودها انجام دهد. در اینجا ویژگی و مشخصه ( پارامتر ) مورد بررسی سیستم نیروی انسانی ، تعداد نیروی موجود است که به عنوان یک فرایند تصادفی مورد نظر است. میزان موجودی انبار در یک سیستم انبارداری در هر لحظه ای از زمان ممکن است متفاوت باشد . زنجیره های مارکوف میزان موجودی در هر لحظه ای از زمان را به عنوان پارامتر مورد نظر در سیستم بررسی کرده و سطح موجودی احتمالی را برآورد می کند و هادی سازمانها برای نگهداری موجودی در سطح بهینه است. زنجیره های مارکوف پیش بینی می کند که یک ماشین در خط تولید ، احتمالاً در آینده در چه وضعیتی خواهد بود و بنابر هزینه های مختلف بهترین سیاست تعمیر و نگهداری چیست؟ میزان فروش یک سازمان در آینده بر اساس زنجیره های مارکوف قابل پیش بینی است تا بتوان تولیدی متناسب با فروش داشت.