حمیدرضا امیری

هدف: در سال های اخیر، روش های پیش بینی داده های سری زمانی مبتنی بر هوش مصنوعی و یادگیری عمیق گسترش بسیاری یافته است. با توجه به اینکه این داده ها در حوزه سرمایه گذاری و پیش بینی قیمت سهام ابعاد بزرگی دارند، روش های سنتی تحلیل داده، به سختی می توانند به یادگیری آن ها بپردازند. در این پژوهش، قدرت مدل های مختلف مبتنی بر یادگیری ماشین، در پیش بینی روند قیمت سهام در بورس اوراق بهادار تهران بررسی شده است. روش: پس از جمع آوری داده های 150 شرکت بزرگ پذیرفته شده در بورس اوراق بهادار تهران، از سال 1390 تا 1399، با تنظیم دقیق روش های یادگیری ماشین برای هر یک از سهام، به پیش بینی روند قیمت سهام و صحت سنجی هر یک از روش ها پرداختیم و آن ها را با هم مقایسه کردیم. در این روش ها، در هر مرحله یادگیری، بخشی از داده ها را به بخش یادگیری و ارزیابی و بقیه را به بخش آزمون اختصاص دادیم. این روش ها عبارت بودند از: مدل های خطی، مدل های خودهم بسته، جنگل تصادفی و شبکه های عصبی. یافته ها: مدل های مبتنی بر یادگیری عمیق نسبت به سایر مدل ها عملکرد بهتری از خود نشان می دهند و در پیش بینی روند کوتاه مدت قیمت سهام، از دقتی حدود 70 تا 80 درصد برخوردارند. همچنین، مدل های یادگیری کم عمق دقت بالاتری داشتند. به طور کلی، بیشتر مدل ها در پیش بینی روندهای منفی سهام، عملکرد بهتری نشان می دهند. نتیجه گیری: در این پژوهش، تلاش شد تا مدل ها با دقت بسیار به کار گرفته شوند. نتایج پژوهش نشان داد که برخلاف یافته های پژوهش های گذشته، این مدل ها نتایج خیره کننده ای در اختیار سرمایه گذاران قرار نمی دهند.

محدودیت و کمبود منابع آب زیرزمینی در دشت داراب فارس سبب شده این دشت در وضعیت بحرانی و در گروه ممنوعه قرار گیرد. با مدیریت صحیح می توان ظرفیت منابع آب های موجود سطحی و زیرزمینی به خوبی شناسایی و مطالعه کرد تا برنامه ریزی جامعی برای بهره برداری درست از آنها انجام شود. استفاده از GIS در کنار داده های مشاهده ای منجر برآورد آسان و سیستمی مناطق مستعد تغذیه آب های زیرزمینی می گردد. هدف این پژوهش پتانسیل یابی منابع آب زیرزمینی با استفاده از مدل AHP و توابع فازی در محیط GIS می باشد. برای ارزیابی پتانسیل یابی منابع آب زیرزمینی 10 معیار زمین شناسی، تراکم گسل، ارتفاع، شیب، کاربری اراضی، خاک ، ژئومورفولوژی، بارش، تراکم زهکشی و فاصله از رودخانه ها، مورد بررسی و تحلیل قرار گرفت. لایه هادر محیط GIS آماده سازی شده و سپس با استفاده از توابع منطق فازی، پتانسیل یابی منابع آب زیرزمینی مدل سازی شده است. نتایج نشان داد که استفاده از گامای 98/0 نتایج مطلوب تری نسبت به دیگر اعداد مشخص کرد. مناطق با پتانسیل بالای آب زیرزمینی با دقت بالا تعیین شد. برای اعتبارسنجی مدل از چاه های بهره برداری در منطقه استفاده شده است. حدود 62/63 درصد از این نوع چاه ها در پهنه های با پتانسیل خوب و خیلی خوب قرار دارند. پهنه های دارای پتانسیل خوب و خیلی خوب منطبق بر ذخایر تراسی، آبرفت ها و رسوبات دوران چهارم و دارای شیب کم (5-0 درجه) است. حدود 31 درصد از حوزه آبخیز در دو طبقه ی پتانسیل خوب و خیلی خوب قرار دارند.