درخت حوزه‌های تخصصی

در این پژوهش، پویایی کوتاه مدت بین بازار سهام و بازار ارز، به واسطه تاثیر تکانه های برونزای نفتی بر این بازارها، با استفاده از روش خودرگرسیون برداری و آزمون علیت گرنجری معرفی شده توسط تودا و یاماموتو (1995) و به کارگیری داده های روزانه را مورد بررسی قرار می دهیم. تحلیل ها در دو حالت عادی و بحرانی، از لحاظ شرایط حاکم بر بازار سرمایه در سال های 1378 تا 1385، در ایران انجام می شوند. در شرایط عادی و در دوران روند صعودی قیمت نفت، نتایج حاکی از تاثیر تکانه های نفتی بر قیمت سهام و انتقال این تکانه ها به بازار ارز است. همچنین، در دوره روند نزولیِ قیمت نفت و نیز در دوره هایی که کنترل زیادی بر نرخ ارز اعمال می شود، رابطه مشخصی بین بازارهای سهام و ارز مشاهده نمی شود. در شرایط بحرانی نیز کانال های ارتباطی میان بازارها به کلی ازبین می رود.

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

در این مقاله با هدف شناسایی عوامل موثر قصد سرمایه گذاری سرمایه گذاران حقیقی، پرسشنامه ای 28 سوالی مطرح و در بین نمونه 450نفری توزیع گردید. آلفای کرونباخ ابزار گردآوری داده ها برابر با 0.871محاسبه شد که بالا بوده و حاکی از پایا بودن پرسشنامه است. نتایج مدل ساختاری با استفاده از نرم افزار LISREL نسخه 8.7 حاکی از تایید کلیه فرضیه های تحقیق و مدل مفهومی ارایه شده است. یافته های تحقیق حاکی از این است که اطلاعات مالی شرکتها و اطلاعات عمومی منتشر شده در بازار بطور مستقیم و از طریق تاثیر گذاری بر انتظارات سرمایه گذاران بر تصمیمات خرید آنها اثر گذار است. همچنین نیازهای شخصی مستقیماً بر قصد خرید سهام تاثیر گذار است. نتایج نشان داد که بالاترین اثر کل بر قصد سرمایه گذاری به ترتیب به متغیرهای: اطلاعات عمومی(0.5461)، اطلاعات حسابداری و مالی(0.4702)، انتظار سرمایه گذار(0.31) و نیاز سرمایه گذار(0.24) تعلق دارد.

بررسی این موضوع که آیا استفاده از قواعد مبادلاتی مختلف تکنیکال نسبت به استراتژی ساده خرید و نگهداری، سودآوری بیشتری دارد و آیا قواعد مبادلاتی تکنیکال قدرت پیش بینی روند قیمت سهام را دارند یا نه؟ از اهداف این مقاله می باشند. برخی از محققان اشاره کرده اند که این قواعد در بازارهایی نوپا (نظیر مالزی، تایلند و تایوان) کاملا با موفقیت عمل می کنند هر چند که از قدرت این قواعد دربازارهای کشورهای توسعه یافته (نظیر ژاپن و هنگ کنگ) کاسته شده است. برخی دیگر از محققان ناکارایی بازارها را فرصت مناسبی برای سودآور بودن روش های تکنیکال دانسته اند. مطالعه حاضر با تاکید بر قواعد مبادلاتی میانگین متحرک به بررسی سودآوری قواعد مبادلاتی میانگین متحرک در بورس تهران پرداخته است. در نهایت مشخص شد که در بورس اوراق بهادار تهران استفاده از قواعد مبادلاتی میانگین متحرک با طول متغیر (VLMA ) سودآوری بیشتری نسبت به استراتژی ساده خرید و نگهداری دارد هر چند که میزان آن در بین انواع مختلف استراتژی ها از لحاظ طول دوره میانگین متحرک برابر نیست. به عبارت دیگر طبق نتایج به دست آمده مشخص شد که در بورس اوراق بهادار تهران استفاده از میانگین های متحرک کوتاه مدت به جای بلندمدت نتایج بهتری را به دست می دهد.

تصمیم گیری همواره، یکی از مهم ترین وظایف مدیر بوده، در این بین، پیش بینی نتایج ورودی به سیستم و در حقیقت، نتایج شقوق مختلف تصمیم، جزءِ دغذغه های اصلی فرایندهای بهینه سازی تصمیم بوده است. از سوی دیگر، شناسایی عواملی که بر خروجی تصمیم یا نتیجه ی پیش بینی تأثیرگذارند اهمیت دارند؛ چرا که با شناسایی این عوامل می توان مدل مناسبی برای پیش بینی تدوین و سپس، کسب نتیجه از آن اقدام نمود. یکی از عوامل مهم برای تصمیم گیری سرمایه گذاران در مورد با خرید و فروش سهام یک شرکت، پیش بینی سود نقدی سهام بوده، در این مورد می توان از صورت های مالی در جایگاه ابزاری برای این پیش بینی استفاده نمود؛ بدین ترتیب که نسبت هایی را از صورت های مالی استخراج نموده، بر اساس آنها، مدلی برای پیش بینی سود آتی سهام توسعه داد و در نهایت تصمیم گرفت. در این مقاله سعی شده با استفاده از الگوریتم ژنتیک[1] و تلفیق آن با شبکه ی عصبی مصنوعی[2]، عوامل مؤثر بر پیش بینی سود آتی سهام (شامل نسبت های استخراج شده از صورت های مالی) شناسایی شده، در نهایت، این متغیرهای مؤثر بر خروجی، در مدلی که به مدد شبکه ی عصبی طراحی و برای پیش بینی سود آتی سهام به کار گرفته شوند. برای موردکاوی، به پیش بینی سود نقدی سهام 194 شرکت پذیرفته شده، در بورس توجه شده و 24 متغیر موجود در صورت های مالی که بر اساس نظر خبرگان در تغییرات سود نقدی سهام دخالت دارند، به مدل وارد شده اند. در نهایت، مدل ترکیبی با توجه به دینامیسم موجود بین متغیرهای ورودی، ده متغیر را به عنوان ترکیب بهینه ی متغیرهای تأثیرگذار انتخاب نموده که در مرحله ی دوم، به یک شبکه ی عصبی که برای پیش بینی طراحی شده، وارد شده اند و خطای حاصل از پیش بینی مبنای مقایسه با دیگر روش ها قرار گرفته است.

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.