درخت حوزه‌های تخصصی

During the recent decades, neural network models have been focused upon by researchers due to their more real performance and on this basis, different types of these models have been used in forecasting. Now, there is a question that which kind of these models has more explanatory power in forecasting the future processes of the stock. In line with this, the present paper made a comparison between static and dynamic neural network models in forecasting (uninvariable) the return of Tehran Stock Exchange (TSE) index in order to find the best model to be used for forecasting this series. The data were collected daily from 26/11/2009 to 17/10/2014. The models examined in this study included two static models (Adaptive Neuro-Fuzzy Inference Systems ""ANFIS"" and Multi-layer Feed-forward Neural Network ""MFNN"") and a dynamic model (nonlinear neural network autoregressive model ""NNAR""). The findings showed that based on the Mean Square Error and Root Mean Square Error criteria, ANFIS model had a much higher forecasting ability compared to other models.

ورشکستگی بانک ها اثرات مخربی بر شبکه بانکی داشته و اثرات آن بر سایر بانک ها نیز سرایت یافته و کل اقتصاد را تحت تأثیر قرار می دهد. هدف اصلی این مقاله طراحی سیستم پیش بینی زمان در معرض ورشکستگی قرار گرفتن بانک ها بر اساس نوع مالکیت و بررسی اثرات شاخص های پیشرو در پیش بینی زمان در معرض ورشکستگی قرار گرفتن بانک ها در ایران با بکارگیری الگوی کاپلان میر و الگوی مخاطره کاکس در چارچوب تحلیل بقا است. به همین منظور از صورت مالی بانک ها در دوره 1393-1380 استفاده شده است. نتایج حاکی از آن است که بقای بانک های ایران تحت تأثیر 13 متغیر پیشرو است که ناظران بانکی می توانند با بکارگیری آن شاخص ها، بانک های در معرض خطر را شناسایی نمایند. همچنین، نتایج نشان می دهد که بانک های خصوصی دارای کمترین زمان بقا بوده و شاخص های هزینه، ریسک اعتباری و ریسک نقدینگی به ترتیب مهمترین عوامل اثر گذار بر زمان در معرض ورشکستگی قرار گرفتن بانک ها هستند.

الگوی قیمت گذاری آربیتراژ توسط راس در سال 1976 معرفی شد. مهم ترین فرض این الگو، نبود آربیتراژ در بازار است. در این الگو، قیمت یک دارایی با توجه به میزان ریسک دارایی تعیین می شود و چندین عامل کلان ریسک یک دارایی را توضیح می دهند. هدف اصلی این تحقیق، آزمون برقراری شرایط الگوی قیمت گذاری آربیتراژ در بورس سهام تهران است. به این منظور، اطلاعات مربوط به قیمت سهام 20 شرکت بورسی و شش شاخص کلان اقتصادی گردآوری و مورد استفاده قرار گرفت، همچنین از روش تخمین SUR برای تخمین سیستم معادلات و از آماره LR به منظور آزمون برقراری شرایط الگوی قیمت گذاری آربیتراژ استفاده شد. در نهایت، با داده ها و روش تخمین مذکور برقراری APT در بورس سهام تهران رد نشد.

با توجه به اهمیت و نقش بازار سرمایه در اقتصاد، بررسی ویژگی های آن همواره مورد توجه پژوهشگران این حوزه قرار داشته است. از این رو، هدف اصلی از پژوهش حاضر، آزمون وجود حباب های چندگانه قیمت در بازار سهام تهران است. برای این منظور، از داد ه های ماهانه شاخص قیمت کل و قیمت و سود برای دوره زمانی 1379:1- 1392:12 استفاده شده است. همچنین با توجه به انتقاد به روش های مرسوم بررسی حباب های قیمتی و همچنین امکان بروز بیش از یک حباب در سری زمانی مورد نظر، در این پژوهش، روش سوپریمم عمومی دیکی- فولر تعمیم یافته که به تازگی معرفی شده به کار گرفته شد. با استفاده از این روش، علاوه بر آزمون وجود حباب های چندگانه، امکان تعیین دوره های ایجاد و فروپاشی آنها نیز وجود دارد. نتایج پژوهش نشان داد که در دوره مورد بررسی، در دو بازه زمانی 1382:3- 1382:5 و 1383:12- 1384:7 فرضیه وجود حباب قیمتی در بازار سهام تایید می گردد.ر

یکی از ابزار های بسیار مؤثر برای پوشش ریسک حوادث فاجعه آمیز که به طور گسترده در جهان مورد استفاده قرار می گیرد اوراق قرضه فاجعه آمیز می باشد. هدف از این مقاله، تعیین نرخ بازده انتظاری بهینه ای برای این اوراق است که برای خریداران این اوراق جذابیت داشته باشد. بنابر این، با استفاده از داده های بیمه آتش سوزی در دوره زمانی (1388 - 1328) به بررسی رویکرد فراتر از آستانه برای اندازه گیری ارزش در معرض خطر اوراق بهادار فاجعه آمیز پرداخته شده است. مقدار آستانه u با استفاده از تقریب توانی نرمال انتخاب شده و تفاوت میان u و VaR بالاتر از آستانه به عنوان ریسک اوراق بهادار فاجعه آمیز انتخاب شده است. سپس با درنظرگرفتن فرصت های سرمایه گذاری آلترناتیو نظیر بورس اوراق بهادار تهران، طلا و املاک و مستغلات به تعیین نرخ بازده انتظاری بهینه این اوراق بهادار پرداخته شده است. ریسک هریک از فرصت های سرمایه گذاری فوق بر اساس مدل GARCH چندمتغیره محاسبه شده است. نتایج حاصل نشان می دهد که نرخ بازده انتظاری این اوراق می بایست حداقل برابر 32/29 درصد باشد.

در بازارهای سرمایه عامل های مختلفی در پیش بینی قیمت سهام موثر می باشد بنابراین سرمایه گذار جهت سرمایه گذاری سودآور با کمترین ریسک با چالش، تردید و خطا مواجه می باشد. در راستای کاهش هزینه و بالا بردن سود سرمایه گذاری، تعیین عاملهای تاثیر گذار و زمان مناسب جهت خرید و فروش از مهم ترین مسائلی است که هر سهام دار یا سرمایه گذار در بازار بورس بایستی به آن توجه ویژه داشته باشد. تاکنون روشهای مختلفی جهت نیل به این اهداف معرفی شده اند که اغلب روشهای آماری، هوشمند و ترکیبی هستند. الگوریتم پیشنهادی یک روش ترکیبی است که شامل دو بخش است بخش اول پیش پردازش و بخش دوم پیش بینی کننده است. در پیش پردازش سه فرآیند جاگذاری داده های غیر موجود، نرمالیزه کردن و انتخاب ویژگی به ترتیب انجام می شود. از آنجایی که تعداد ویژگی های بکار برده شده زیاد است از روش الگوریتم ژنتیک برای انتخاب ویژگی و کاهش ابعاد فضای ویژگی استفاده شده است. در بخش پیش بینی کننده، با توجه به قابلیت پیش بینی هوشمند شبکه عصبی - فازی، از این شبکه با دو ساختار ممدانی و سوگنو بعنوان پیش بینی کننده قیمت سهام بهره می بریم که قابلیت استخراج قواعد فازی بصورت خودکار دارد. آموزش پارامترهای مقدمه و نتیجه شبکه برپایه الگوریتم پس انتشار خطا (گرادیان نزولی) می باشد. الگوریتم پیشنهادی با استفاده از داده های 10 شرکت که هر کدام از آنها دارای 7 ویژگی می باشند، ارزیابی شده است. نتایج شبیه سازی نشان می دهد که با توجه به نوع شرکتها، ویژگیهای انتخابی و نوع ساختار شبکه عصبی فازی ترکیبی نتایج متفاوتی بدست می آید. با توجه به معیارهای مورد ارزیابی، نتایج به دست آمده برتری شبکه عصبی فازی ترکیبی را به شبکه عصبی فازی ساده نشان می دهد، اما بطور کلی پیش بینی کننده با ساختار سوگنو با الگوریتم ژنتیک دارای عملکرد بهتری نسبت به ساختار ممدانی دارد، چون تعداد پارامترهای آموزش ساختار سوگنو بیشتر است.