اقتصاد مالی

نیاز کشورهای دنیا به این حامل انرژی همراه با بهره مندی ایران از مخازن عظیم گاز طبیعی، صادرات این حامل انرژی را به موضوعی اجتناب ناپذیر برای کشور تبدیل کرده است. ضمن آنکه درآمدهای صادراتی این حامل می تواند جانشین مناسبی برای درآمدهای نفتی کشور باشد. سئوال اصلی این پژوهش این است که با وجود محدودیت در تامین گاز طبیعی برای مصارف داخلی و همچنین تامین گاز جهت صادرات، در صورت تمایل کشور به صادرات گاز طبیعی، چه قیمتی باید به ازای هر متر مکعب دریافت شود؟ برای پاسخ گویی به این سوال، با رویکرد برنامه ریزی خطی، منفعت ملی ناشی از تخصیص گاز طبیعی برای مصارف مختلف را در کنار یکدیگر قرار داده و این نتیجه حاصل شده که در صورت تمایل تخصیص گاز به امر صادرات باید کمترین منفعتی که کشور در صورت عدم صادرات گاز می تواند بدست آورد را به هزینه نهایی تولید آن اضافه کرد و آن را به عنوان حداقل قیمت گاز صادراتی(هزینه نهایی به علاوه قیمت سایه) محاسبه کرده که میزان آن به ازای هر متر مکعب برابر 8/48 سنت دلار است.

۲۷۷۰.

شناسایی دستکاری قیمت سهام از طریق مدل ترکیبی الگوریتم ژنتیک – شبکه عصبی مصنوعی و مدل SQDF(مقاله علمی وزارت علوم)

نویسنده: شهاب الدین شمس بهروز عطایی

منبع: راهبرد مدیریت مالی سال چهارم پاییز ۱۳۹۵ شماره ۱۴

کلیدواژه‌ها: شبکه عصبی مصنوعی قیمت سهام الگوریتم ژنتیک دستکاری قیمت سهام حفاظت از بازار

حوزه‌های تخصصی:

حوزه‌های تخصصی اقتصاد اقتصاد مالی بازارهای مالی قیمت گذاری دارائی،حجم مبادله،نرخ های بهره اوراق قرضه

تعداد بازدید : ۸۳۸ تعداد دانلود : ۴۶۴

هدف این پژوهش، شناسایی دستکاری قیمت سهام در بورس اوراق بهادار تهران می باشد که از طریق مدل ترکیبی الگوریتم ژنتیک-شبکه عصبی مصنوعی (ANN-GA)[1] و مدل تابع تفکیکی درجه دوی تعدیل شده (SQDF)[2] انجام گرفته است. در این پژوهش از متغیرهای قیمت، حجم معاملات و سهام شناور آزاد برای تطبیق نتایج مدل و داده های واقعی از دستکاری قیمت استفاده شده است. در مدل ترکیبی ابتدا داده های مربوط به 316 شرکت از نخستین روز کاری سال 1389 تا آخرین روز کاری سال 1392 بصورت روزانه شامل 966 روز وارد مدل الگوریتم ژنتیک شده و در نهایت اوزان مربوط به هر متغیر از این الگوریتم منتج شد. با استفاده از این اوزان، شبکه عصبی مصنوعی پرسپترون طراحی، آموزش و اجرا شد. سپس مدل SQDF طراحی و اجرا و کارایی آن اثبات شد. سرانجام نتایج حاصل از مدل ANN-GA با نتایج مدل SQDF با استفاده از آماره های اندازه گیری خطای MAPE، RMSE و R2 مقایسه شدند. نتایج نشان داد که مدل ANN-GA در شناسایی دستکاری قیمت سهام و طبقه بندی شرکت ها به دو گروه دستکاری شده و دستکاری نشده عملکرد بسیار بهتری از مدل SQDF داشته و خطای بسیار کمتری دارد.

۲۷۷۱.