مهدی خاشعی

دقت پیش بینی از مهمترین عوامل مؤثر در انتخاب روش پیش بینی است. امروزه به رغم وجود روشهای متعدد پیش بینی، هنوز پیش بینی دقیق مالی کار چندان ساده ای نبوده و اکثر محققان درصدد بکارگیری و ترکیب روشهای متفاوت به منظور حصول نتایج دقیق تر می باشند. در حالت کلی انتخاب مؤثرترین روش به منظور پیش بینی، کار بسیار دشواری می باشد. بسیاری از محققان روشهای خطی و غیرخطی را به منظور حصول نتایج دقیق تر با یکدیگر ترکیب کرده اند چرا که اولاً در عمل تعیین خطی و غیرخطی بودن یک سری زمانی کار دشواری است ثانیاً سریهای زمانی دنیای واقع بندرت کاملاً خطی و یا غیرخطی هستند. مدلهای خودرگرسیون میانگین متحرک انباشته (ARIMA) و شبکه های عصبی مصنوعی(ANNs) به ترتیب از جمله دقیق ترین مدلهای خطی و غیرخطی در پیش بینی سریهای زمانی می باشند. در این مقاله به منظور بهره گیری از مزایای منحصر به فرد هر یک از روشهای مدل سازی خطی و غیرخطی و حصول نتایج دقیقتر، روش ترکیبی مدل های خودرگرسیون میانگین متحرک انباشتهو شبکه های عصبی مصنوعی به منظور پیش بینی های مالی پیشنهاد شده اند. مقایسه نتایج حاصله بیانگر آنست که مدل تلفیقی نسبت به مدلهای اریما (ARIMA) و شبکه های پرسپترون چندلایه (MLP) نتایج دقیقتری در پیش بینی نرخ ارز(یورو در مقابل ریال) ارائه نموده است.

فلزات قیمتی همچون طلا، نقره و پلاتین از جمله مهمترین متغیرهای مؤثر در سیستم های مالی بوده و پیش بینی قیمت آنها برای تصمیم گیران از اهمیت بسیار برخوردار است . تغییرات سریع در سیستم های مورد مطالعه در دنیای واقعی و بویژه بازارهای مالی سبب ایجاد مشکلاتی برای پیش بینی کنندگان از جهت تامین داده های لازم گردیده است . چرا که مدل های کمی پیش بینی همچون میانگین نیز به (ANNs) دارای محدودیت تعداد داده های گذشته بوده و شبکه های عصبی مصنوعی (ARIMA) متحرک خود رگرسیون انباشته منظور حصول نتایج دقیق احتیاج به داده های زیادی دارند . مدلهای پیش بینی فازی، مدلهایی مناسب در شرایط پیش بینی با داد ه های کم بوده، اما عملکرد آنها در حالت کلی رضایت بخش نمی باشد. استفاده از مدل های ترکیبی یا ترکیب مدل های مختلف یک راه معمول به منظور مرتفع نمودن محدودیت های مدلهای تکی و بهبود دقت پیش بینی ها می باشد؛ لذا در این مقاله به منظور برطرف نمودن محدودیت داده در مدلهای میانگین متحرک خود رگرسیون انباشته کلاسیک و حصول مدل دقیق تر در پیش بینی سری های زمانی، مدل به منظور پیش بینی پیشنهاد شده است. نتایج حاصله بیانگر (FARIMA) ترکیبی میانگ ین متحرک خود رگرسیون انباشته با منطق فازی کارآمدی روش پیشنهادی در پیش بینی بازه تغییرات قیمت طلا می باشد

منابع آب به سبب توانایی خلق جریان هایی از کالاها و خدمات در بخش هایی چون شهری، کشاورزی، صنعت و تفریحات یک کالای سرمایه ای ولی طبیعی در نظر گرفته می شوند. از آنجا که ارزش یک کالای سرمایه ای در یک نقطه زمانی دارایی نامیده می شود، پس می توان از منابع آب به عنوان یک دارایی طبیعی نام برد. این دارایی طبیعی یک کالای باارزش و غیرقابل جایگزین در توسعه اقتصادی، اجتماعی کشورها و یکی از مولفه های مهم در حفظ تعادل و پایداری اکوسیستم و محیط زیست می باشد. با توجه به افزایش روز افزون تقاضای آب و محدودیت منابع افزایش عرضه آب شیرین، تصمیم گیری های منطقی اقتصادی و ارزیابی دقیق تر تقاضای آب و عوامل موثر بر آن بدیهی به نظر می رسد. در این راستا ادبیات نسبتا قوی اقتصادی در مورد تقاضای آب در بخش های کشاورزی، شهری و صنعت بوجود آمده است. اما با توجه به بحث انتقال پذیری آب از یک بخش به بخش دیگر، مطالعات تجمیعی که کل تقاضای آب را به صورت تعاملی مورد توجه قرار دهد ، انجام نشده است. در مقاله حاضر تابع تقاضای تجمیعی آب (جمع توابع تقاضای 3 بخش شهری، کشاورزی و صنعت) نخست از طریق یک سیستم معادلات همزمان (با در نظر گرفتن تابع عرضه آب و تعادل عرضه و تقاضای کل آب) برای استان اصفهان برآورد شده است. سپس تابع تقاضای تجمیعی، با دسته بندی متغیرها نیز برآورد می گردد. در ادامه تحت یک گزینه انتخابی مقدار تقاضای آب، مقدار عرضه آب و قیمت تعادلی آب تا سال 1400 شمسی پیش بینی می گردد.

هدف: اتخاذ استراتژی معاملاتی سودده، یکی از دغدغه های سرمایه گذاران بازار مالی است. این استراتژی، بر پایه نقاط معاملاتی یا نقاط عطفِ سودده شکل می گیرد و لازمه دستیابیِ به آن، پیش بینی نقاط عطف است. گام نخست در راستای پیش بینی نقاط عطف، شناسایی نقاط عطف موجود در گذشته سری زمانی است. میزان سوددهی نقاط عطف پیش بینی شده، به میزان سوددهی نقاط عطف شناسایی شده بستگی دارد. به همین دلیل، ادبیات موضوع همواره در راستای ارتقای عملکرد روش های شناسایی نقاط عطف یا افزایش میزان سوددهی نقاط عطف شناسایی شده، تلاش کرده است. با این حال تا جایی که می دانیم، هیچ یک از روش های موجود، قابلیت شناسایی سودده ترین نقاط عطف یا نقاط عطف بهینه را ندارد. مقاله حاضر، با هدف برطرف سازی این شکاف تحقیقاتی تدوین شده است. روش: مدل پیشنهادی در این مقاله، با پیاده سازی مسئله شناسایی نقاط عطف در بستر گراف و حل آن با جست وجوی طولانی ترین مسیر، نقاط عطف بهینه را شناسایی می کند. یافته ها: مدل پیشنهادی، بر خلاف روش های شناسایی موجود در ادبیات، قابلیت شناسایی نقاط عطف بهینه موجود در گذشته سری زمانی مالی را دارد. نتیجه گیری: به منظور نشان دادن عملکرد مدل پیشنهادی، ابتدا مدل روی بازارهای بورس نزدک و نیویورک پیاده سازی و نتایج آن با بهترین مدل های شناسایی موجود در ادبیات موضوع مقایسه شد. نتایج به دست آمده، برتری عملکرد مدل پیشنهادی را نسبت به سایر مدل ها نشان می دهد.