سمیه محبی

این پژوهش با هدف تعیین اثربخشی برنامه آموزش تاب آوری بر ارزیابی های شناختی، مقابله فعال و هیجان های مثبت و منفی گروهی از دانش آموزان دختر انجام شد. در این پژوهش تجربی با طرح پیش آزمون پس آزمون با گروه کنترل و همراه با پیگیری، 32 دانش آموز دختر 12ساله در دو گروه آزمایش و کنترل قبل و بعد از آموزش به نسخه تجدیدنظرشده سنجش ارزیابی تنیدگی (رویلی، رویش، جاریکا و واگن، 2005)،مقیاس مقابله فعال (گرین گلس، شوارزر، جاکوبیک، فیکسنبام و تابرت، 1999) ونسخه تجدیدنظرشده مقیاس هیجان های متمایز (فردریکسون، تاگادی، واگ و لارکین، 2003) پاسخ دادند. در 10 جلسه یک ساعته برنامه آموزش تاب آوری روانی به شیوه گروهی برای گروه آزمایش اجرا شد. نتایج روش های آماری تحلیل کوواریانس تک متغیری و چندمتغیری نشان داد که در کوتاه مدت و بلندمدت برنامه آموزش تاب آوری در افزایش ارزیابی های شناختی سازشی، راهبرد مقابله فعال و هیجان های مثبت و در کاهش ارزیابی شناختی مبتنی بر تهدید و هیجان های منفی دانش آموزان دختر مؤثر بود. درمجموع، نتایج این بررسی نشان می دهد که برنامه آموزش تاب آوری از طریق تقویت راهبردهای تفکر مثبت، راهبردهای سازشی مدیریت هیجان و همچنین غنی سازی مهارت های رابطه بین فردی، در تحقق ایده ایمن سازی روانی فراگیران به طور تجربی مؤثر است.

سیاهه مقابله با موقعیت های استرس زا یک ابزار شناخته شده جهانی برای اندازه گیری روش های مقابله با استرس قلمداد می شود. با این وجود، پژوهش درباره کاربردپذیری نسخه کوتاه سیاهه مقابله با موقعیت های استرس زا هنوز در ابتدای راه است. پژوهش حاضر با هدف آزمون روان سنجی نسخه کوتاه سیاهه مقابله با موقعیت های استرس زا (CISS-SF؛ اندلر و پارکر، 1994) در بین گروهی از دانشجویان ایرانی انجام شد. در مطالعه همبستگی حاضر 300 دانشجوی کارشناسی (150 پسر و 150 دختر) به نسخه کوتاه سیاهه مقابله با موقعیت های استرس زا، مقیاس عزت نفس (SES، روزنبرگ، 1965) و فهرست عواطف مثبت و منفی (PANAS، واتسون، کلارک و تلگن، 1988) پاسخ دادند. به منظور تعیین روایی عاملی نسخه کوتاه سیاهه مقابله با موقعیت های استرس زا از روش آماری تحلیل عامل تأییدی و به منظور بررسی همسانی درونی سیاهه مقابله با موقعیت های استرس زا از ضرایب آلفای کرونباخ استفاده شد. همچنین، به منظور مطالعه روایی سازه نسخه کوتاه سیاهه مقابله با موقعیت های استرس زا، ضرایب همبستگی بین سبک های مقابله با عزت نفس و عاطفه مثبت و منفی در دانشجویان گزارش شد. نتایج تحلیل عاملی تاییدی بر پایه نرم افزار AMOS نشان داد که در نمونه دانشجویان ایرانی ساختار سه عاملی CISS-SF شامل مقابله مسئله محور، مقابله هیجان-محور و مقابله اجتنابی با داده ها برازش مطلوبی داشت. نتایج مربوط به همبستگی بین سبکهای مقابله با عزت نفس و عاطفه مثبت و منفی به طور تجربی از روایی سازه نسخه کوتاه سیاهه مقابله با موقعیت های استرس زا حمایت کرد. مقادیر ضرایب همسانی درونی نسخه کوتاه سیاهه مقابله با موقعیت های استرس زا برای زیرمقیاس های مقابله مسئله محور، مقابله هیجان محور و مقابله اجتنابی به ترتیب برابر با 78/0، 79/0 و 79/0 به دست آمد. در مجموع، نتایج مطالعه حاضر نشان داد که مقابله مسئله محور، مقابله هیجان محور و مقابله اجتنابی برای سنجش شیوه-های مقابله ای در دانشجویان ایرانی ابزاری روا و پایا است.

عملکرد یک مدل هوشمند تا حد زیادی به انتخاب مرتبط ترین و تأثیرگذارترین متغیرهای ورودی و کمترین پیچیدگی مدل یادگیری بستگی دارد. از این رو در مطالعه حاضر، برای پیش بینی روزانه شاخص کل بورس اوراق بهادار تهران بر اساس متغیرهای مالی و اقتصادی، ابتدا اقدام به اولویت بندی ویژگی ها با الگوریتم MID نموده، سپس از 4 مدل مختلف شبکه عصبی (MLP, SVR, RBF, DNN) که از مهم ترین و بدیع ترین مدل های پیش بینی می باشند، استفاده می شود. با توجه به نتایج بدست آمده از تحلیل مدل های مورد بررسی، در نهایت الگوریتمی برای انتخاب ویژگی های مناسب برای پیش بینی شاخص، تحت عنوانISF _MID پیشنهاد شده و با تعدادی از روش های مشابه، مقایسه می گردد. داده های مورد استفاده در این پژوهش به صورت روزانه در بازه زمانی 28/10/1392 تا 30/5/1397 جمع آوری شده اند. مدل های مورد بررسی در مرحله پیاده سازی با روش اعتبارسنجی متقابل K-fold مورد ارزیابی قرار گرفتند. همچنین از معیارهای MAE، MSE و RMSE برای ازریابی عملکرد مدل های مذکور استفاده می شود. نتایج نشان می دهد که با روش پیشنهادی، می توان با 7 ویژگی انتخابی به دقت بالایی در پیش بینی روزانه شاخص کل بورس اوراق بهادار تهران دست یافت.

بازارهای سهام نقش مهمی در سازماندهی سیستم های اقتصادی مدرن دارند. پژوهش های گسترده ای در زمینه پیش بینی آن ها با استفاده از تکنیک های هوشمند انجام شده است. با توجه به این که دقت عملکرد این تکنیک ها به میزان قابل توجهی تحت تأثیر ویژگی های ورودی آن است، یکی از پیشرفت های به کار رفته در استفاده از مدل های هوشمند، علاوه بر کاربرد مدل های ترکیبی، استفاده از کاهش ابعاد به عنوان یک پیش مرحله برای مدل پیش بینی می باشد. در این پژوهش برای پیش بینی روزانه شاخص کل بورس اوراق بهادار تهران همزمان از دو روش کاهش ابعاد (انتخاب و استخراج) به منظور انتخاب ویژگی های مناسب به عنوان ورودی های مدل استفاده می شود. به طوری که برای انتخاب ویژگی ها از الگوریتم mRMR-MID و برای استخراج ویژگی ها از الگوریتم PCA استفاده می شود. سپس از رگرسیون بردار پشتیبان به عنوان مدل پیش بینی استفاده می شود. با توجه به نتایج بدست آمده از تحلیل استفاده از تکنیک های کاهش ابعاد در مدل پیش بینی، در نهایت الگوریتمی برای انتخاب ویژگی های مناسب بر شاخص، تحت عنوانISF _MID پیشنهاد می شود. نتایج نشان می دهد که با روش پیشنهادی، می توان با 7 ویژگی انتخابی به دقت بالایی در پیش بینی روزانه شاخص کل بورس اوراق بهادار تهران با درصد خطا 46/3 دست یافت. لازم به ذکر است مدل های مورد بررسی در مرحله پیاده سازی با روش اعتبارسنجی متقابل k-fold مورد ارزیابی قرار گرفتند. همچنین از معیارهای MAE، MSE و RMSE برای ازریابی عملکرد مدل های مذکور استفاده می شود.

هدف: هدف اصلی این پژوهش، انتخاب مدل مناسب برای پیش بینی روزانه شاخص کل بورس اوراق بهادار تهران است. در این راستا، از تکنیک های کاهش ابعاد، جهت انتخاب ویژگی های مؤثر و معرف، به منظور افزایش دقت مدل انتخابی استفاده شده است. روش: با توجه به اینکه کاهش ابعاد می تواند با دو روش متفاوت (انتخاب و استخراج ویژگی) اجرا شود، در این پژوهش، هر دو روش برای انتخاب ویژگی های مناسب مدل پیش بینی به کار برده شده است؛ به طوری که برای انتخاب ویژگی ها از الگوریتم MID و برای استخراج ویژگی ها از الگوریتم PCA استفاده می شود. در این راستا، پس از جمع آوری 34 ویژگی مالی و اقتصادی مؤثر بر بازار سهام، به اولویت بندی ویژگی ها با الگوریتم MID اقدام شده است، سپس با مقایسه عملکرد دو مدل مختلف شبکه عصبی با نام های  RBFو DNN که به ترتیب از مهم ترین و بدیع ترین مدل ها هستند، مدل مناسب انتخاب شده است. در ادامه با استفاده از دو نوع تکنیک کاهش ابعاد، دقت پیش بینی مدل انتخابی بررسی شده و روش مناسب برای انتخاب ویژگی های ورودی مدل پیش بینی شناسایی شده است. یافته ها: با تحلیل نتایج به دست آمده مشخص شد که مدل RBF در پیش بینی روزانه شاخص کل بورس اوراق بهادار تهران دقت بیشتری دارد. همچنین با مقایسه عملکرد دو نوع تکنیک کاهش ابعاد، مشخص شد که الگوریتم MID نسبت به الگوریتم PCA در انتخاب متغیرهای ورودی مدل RBF نتیجه بهتری را ارائه کرده است. بنابراین با توجه به اولویت بندی ویژگی ها با الگوریتم MID و الگوی تغییر مقدار خطا با افزایش تعداد ویژگی ها در مدل RBF، الگوریتم ISF_MID، برای انتخاب ویژگی های مناسب مدل پیش بینی شاخص بورس پیشنهاد شد. با استفاده از این الگوریتم می توان با کمترین تعداد ویژگی، بیشترین دقت را در پیش بینی شاخص بورس به دست آورد. نتیجه گیری: روش پیشنهاد شده در این پژوهش جهت شناسایی، اولویت بندی و انتخاب ویژگی های مناسب برای مدل پیش بینی، با توجه به سادگی و اثربخشی استفاده از آن، می تواند در حوزه های مختلف مدل سازی، از جمله بازار سرمایه، بازار ارز و مانند آن ها مفید واقع شود.