حسین خنجرپناه

پیش بینی حرکت قیمت سهام ازجمله مسائلی است که همواره تحلیل گران و سرمایه گذاران با آن مواجه هستند و آنان از ابزارهای مختلفی ازجمله تحلیل های بنیادی و تکنیکال برای انتخاب سهام خوب و همچنین پیش بینی روند قیمتی در روزهای آینده استفاده می کنند. آنچه تحلیل گران به آن توجه دارند، توانایی تحلیل تکنیکال در پیش بینی های کوتاه مدت می باشد. بدین منظور، در این مقاله، مدل هایی با استفاده از ابزارهای شبکه عصبی، لاجیت، پروبیت و مقدار حدی به منظور پیش بینی جهت حرکت قیمت سهم در روز بعد ارائه شده است. برای پیاده سازی و مقایسه مدل های ارائه شده، برخی از شاخص های تکنیکال روزانه سهام شرکت ایران خودرو در بورس اوراق بهادار تهران که ازجمله سهام های مورد اقبال سرمایه گذاران می باشد، بررسی شده است. بازه زمانی موردبررسی سال های 1392 تا 1397 بوده است. نتایج این پژوهش نشان می دهد که در آزمون نا پارامتری برابری نسبت ها، ازلحاظ آماری مدل های ارائه شده تفاوت معناداری باهم نداشته اند، اما معیارهای سنجش خطا بیان می کند که مدل پروبیت، خطای کمتری در پیش بینی سهام در بازار بورس تهران دارد.

ریسک قیمت نفت خام برای کشورهای صادرکننده نفت از جایگاه ویژه ای برخوردار است، بنابراین وجود مکانیزمی برای پوشش ریسک قیمت نفت در این کشورها اهمیت بالایی دارد. از جمله ابزارهای شناخته شده برای محاسبه ریسک قیمت، ارزش در معرض ریسک است. در این مقاله، سعی می شود تا با استفاده از معیار ارزش در معرض ریسک، مکانیزمی برای مدیریت ریسک درآمدهای نفتی ایران طراحی گردد، بدین منظور از مدل های واریانس ناهمسان شرطی GARCH، CGARCH و EGARCH با توابع توزیع چگالی مختلف برای محاسبه ارزش در معرض ریسک نفت خام اپک در طول دوره 6 اکتبر سال 2005 تا 29 آگوست سال 2015، استفاده شده است. نتایج مطالعه نشان می دهد که از نظر معیارهای سنجش خطای پیش بینی، مدل CGARCH با توزیع تی استیودنت در پیش بینی تلاطم عملکرد بهتری داشته است، بر این اساس، پس از انتخاب مدل مناسب، مقادیر ارزش در معرض ریسک برای طراحی مکانیزم پوشش ریسک مورد استفاده قرار گرفته و با استفاده از داده های تولید نفت ایران، برای سال 2014 این مکانیزم پیاده سازی شده است. نتایج نشان داد که بر مبنای مکانیزم پیشنهادی، علاوه بر پوشش ریسک کاهش قیمت، مدل با مازاد درآمد مواجه خواهد بود.