علی معینی
| مدرک تحصیلی: استاد دانشکده علوم مهندسی، پردیس دانشکده های فنی ، دانشگاه تهران، تهران. |
مطالب
فیلتر های جستجو:
فیلتری انتخاب نشده است.
نمایش ۲۱ تا ۲۶ مورد از کل ۲۶ مورد.
پیش بینی قیمت آمونیاک با رویکرد تحلیل های بنیادین، تکنیکی و شبکه عصبی(مقاله علمی وزارت علوم)
حوزه های تخصصی:
- حوزه‌های تخصصی اقتصاد اقتصاد بخشی،اقتصاد صنعتی،کشاورزی،انرژی،منابع طبیعی،محیط زیست اقتصاد صنعتی ساختار بازار،استراتژِ بنگاه و عملکرد بازار تولید،قیمت گذاری و ساختار بازار،توزیع سایز بنگاه ها در بازار
- حوزه‌های تخصصی اقتصاد روش های ریاضی و کمی روش های آماری و اقتصادسنجی:موضوعات خاص شبکه های عصبی و موضوعات مربوطه
با توجه به اهمیت پیش بینی در حوزه مسایل مالی و اقتصادی محققان همواره در تلاشند که از روش های دقیق تری در این زمینه بهره بگیرند تا به درک نسبی بهتری از وضعیت آینده بازار دست یافته، از نااطمینانی ها بکاهند. در این مقاله از شبکه عصبی GMDH مبتنی بر الگوریتم ژنتیک به عنوان ابزاری با قابلیت بالا در مدل سازی سیستم های غیر خطی پویای پیچیده، برای پیش بینی قیمت آمونیاک استفاده شده است. برای اتنخاب متغیرهای اثرگذار بر قیمت آمونیاک از دو روش تحلیل بنیادین و تکنیکی استفاده شده است. روش تحلیل بنیادین با تکیه بر تئوری عرضه و تقاضا و نگرش کلان اقتصادی، همه عوامل اثرگذار احتمالی بر قیمت را برای مدل سازی و پیش بینی قیمت به محقق پیشنهاد می کند، سپس با تکیه بر توانایی الگوریتم GMDH در شناسایی متغیرهای زاید، از میان همه عوامل اثرگذار احتمالی تنها از عناصر اثرگذارتر بر قیمت آمونیاک استفاده شده است تا پیش بینی های دقیق تر و بدون تورشی ارایه شود. دقت پیش بینی های انجام شده در بازه مورد بررسی بیش از 99 درصد است. در روش تحلیل تکنیکی، پیش بینی ها با تکیه بر رفتار گذشته قیمت در همان بازار (در اینجا آمونیاک خاورمیانه) نتایج دقیقی را به دست داده است. برتری شبکه عصبی GMDH در دقت پیش بینی قیمت آمونیاک نسبت به روش ARIMA در بخش پایانی مورد تایید قرار گرفته است.
مدل سازی و پیش بینی قیمت بنزین با استفاده از شبکه عصبی GMDH(مقاله علمی وزارت علوم)
حوزه های تخصصی:
در این پژوهش از شبکه عصبی GMDH مبتنی بر الگوریتم ژنتیک به عنوان ابزاری با قابلیت بالا در مدل سازی سیستم های غیرخطی پویای پیچیده، برای پیش بینی قیمت بنزین با دو روش قیاسی و قواعد تحلیل تکنیکی، استفاده کرده ایم. متغیرهای ورودی در روش قیاسی شامل تمام عوامل مؤثر(درون و برون سیستمی) بر قیمت بنزین و در روش تحلیل تکنیکی شامل میانگین های متحرک کوتاه و بلندمدت است. نتایج نشان دهنده دقت بیش از 96درصد پیش بینی و پایداری روش قیاسی و بیش از99درصد تحلیل تکنیکی است. اثر روز دوشنبه به عنوان یک معیار تحلیل تکنیکی در روش قیاسی، تایید شده است. همچنین، در مقایسه معیارهای خطا، دقت پیش بینی های شبکه عصبی GMDH به طور معناداری از الگوی رگرسیونی بهتر است.
محاسبه هوشمند حداکثر درآمد در بازار پیش خرید و پیش فروش نفت خام(مقاله علمی وزارت علوم)
حوزه های تخصصی:
در این مقاله، از رویکرد هوشمند تلفیقی، مشتمل بر نوعی از شبکه عصبی موسوم به GMDH و الگوریتم ژنتیک و بهینه سازی چند منظوره، برای تحلیل قیمت پیش خرید و پیش فروش نفت خام به منظور محاسبه حداکثر درآمد حاصل از پیش بینی در روندهای مختلف بازار مبتنی بر قواعد تحلیل تکنیکی استفاده شده است. نتایج نشان میدهد که در بازه زمانی 5 تا 10 روزه برای دوره های مختلف، بازار عایدی مطلق به 97% میرسد. هم چنین روند صعودی دارای بیش ترین عایدی و روند بیثباتی توام با تغییر، کم ترین عایدی را دارد.
به کارگیری نمای لیاپاتوف برای مدل سازی سری زمانی قیمت نفت بر پایه توابع پویا(مقاله علمی وزارت علوم)
حوزه های تخصصی:
به کارگیری سیستم های غیر خطی پویا در تحلیل سری های زمانی اقتصادی، مدت هاست که مورد توجه اقتصاددانان قرار گرفته است. سیستم های غیر خطی پویا، رفتارهای مختلفی را از خود بروز می دهند، که می تواند در توجیه بسیاری از پدیده های اقتصادی که به نظر تصادفی می آیند، به کار گرفته شود. در این مقاله، راهکاری ارایه شده است، که بر اساس آن می توان تابع پویای خاصی را برای مدل سازی سری زمانی مفروضی به کار گرفت. ابتدا بزرگترین نمای لیاپانوف با ابعاد محاط برای سری زمانی محاسبه و با تطابق آن با نمای لیاپانوف تابع پویا، پارامتر کنترل کننده تابع، تخمین زده می شود. در این مقاله، از تابع لجستیک برای مدل سازی قیمت روزانه نفت در بازه زمانی 2000-1998، استفاده شده است. تابع لجستیک حاصل، برای پیش بینی قیمت در روندهای مختلف به کار گرفته شده است. نتایج به دست آمده از دقت بالایی برخوردار است. به محض آن که بتوان تابع پویا را به سری زمانی مفروضی برازش کرد، رفتارهای غیر خطی این تابع، می تواند در تحلیل عملکرد سری زمانی، امکان زیادی را در اختیار تحلیل گر اقتصادی قرار دهد.
آزمون ناخطی معین برای قیمت های آتی نفت(مقاله علمی وزارت علوم)
حوزه های تخصصی:
یکی از مسائل مهم و راهبردی در مباحث اقتصادی امروز، دقت، صحت و کارایی مدل های پیش بینی سری های زمانی است. به همین دلیل در سال های اخیر توجه اقتصاددان ها به مدل های ناخطی معطوف شده است. زیرا، پدیده های متعددی نظیر آشوب در مدل های ناخطی قابل بررسی است. در این مقاله، به بررسی وجود آشوب در سری زمانی قیمت های آتی نفت (96-1999) می پردازیم. به این منظور از دو روش عمومی و کاربردی تخمین بعد هم بستگی (CD) و بزرگترین نمای لیاپانوف (LLE) برای اثبات وجود آشوب و از تحلیل R/S یا نمای هرست (HE) برای تشخیص غیر تصادفی بودن سری استفاده می کنیم. به این ترتیب، فرضیه غیرتصادفی و ناخطی بودن ساختار سری زمانی قیمت های آتی نفت را آزمون (اثبات یا رد) می کنیم. به عبارت دیگر، می خواهیم به این پرسش پاسخ دهیم که آیا می توان یک مدل ناخطی پویا برای سری زمانی قیمت های آتی نفت پیشنهاد کرد تا به تبع آن بتوان یک پیش بینی تعیینی دقیق و صحیح را برآورد کرد؟ براساس آزمون های انجام شده نشان می دهیم که سری زمانی قیمت های آتی نفت (96-1999) دارای ساختار آشوبناک ضعیف و معین است. بنابراین، می توان یک مدل ناخطی پویا را به همنظور تعیین رفتار و پیش بینی تعیینی و با دقت بالا در کوتاه مدت برای سری زمانی قیمت های آتی نفت ارایه کرد.