مینو نظیفی نایینی

تحلیل و پیش بینی قیمت بیت کوین به دلیل ماهیت غیرخطی، نوسان پذیر و تأثیرپذیر از عوامل گوناگون، همواره چالشی مهم در حوزه مالی و اقتصادی به شمار می رود. این پژوهش با هدف بررسی روند قیمتی و پیش بینی نوسانات بیت کوین، از داده های روزانه بین سال های ۲۰۱۴ تا ۲۰۲۵ بهره گرفته و مجموعه ای از متغیرهای فنی (حجم معاملات، سختی شبکه، میزان ذخیره بیت کوین و ...)، اقتصادی (شاخص S&P500، نرخ بهره آمریکا، قیمت نفت، شاخص دلار) و اجتماعی (تعداد سرچ گوگل و توییت های بیت کوین) را وارد مدل کرده است. در بخش روش شناسی، از سه رویکرد مکمل استفاده شده است: 1- شبکه عصبی مصنوعی (ANN) جهت پیش بینی دقیق قیمت ها؛ 2- رگرسیون چرخشی مارکف (MSR) برای شناسایی رژیم های نوسانی بازار و اثر شوک ها؛ 3- ابزارهای تحلیل تکنیکال، ایچیموکو(RSI) برای تفسیر روندهای بازار. یافته ها حاکی از آن است که شبکه عصبی، پیش بینی دقیقی ارائه می دهد و در آن، شاخص S&P بیشترین اثر را دارد. مدل مارکف نشان می دهد که بازار بیت کوین در بلندمدت بیشتر در وضعیت کم نوسان قرار دارد، و نرخ بهره آمریکا و EUR/USD از متغیرهای کلیدی اند. همچنین، تحلیل تکنیکال، روند کلی صعودی را تأیید می کند، اما RSI و ابر ایچیموکو هشدار اصلاحات کوتاه مدت را می دهند. نتایج پژوهش، کاربرد راهبردی برای تصمیم گیری سرمایه گذاران بلندمدت و معامله گران کوتاه مدت دارد و ضرورت توجه به متغیرهای کلان اقتصادی در کنار شاخص های فنی را برجسته می سازد.

از دیدگاه محققان دانشگاهی و همچنین دست اندرکاران علوم مالی، پیش بینی نوسانات کسری بودجه، حائز اهمیت می باشد. در شرایط سخت اقتصادی ایران که با افزایش فشارهای محیطی و محدودیت منابع خارجی وکاهش قیمت نفت همراه تحریم ها است، افزایش کسری بودجه تبعات سنگینی بر اقتصاد دارد. بنابراین، هدف اصلی این مقاله مدل سازی روند نوسانات کسری مالی و پیش بینی آن است. در این تحقیق، همزمان با استفاده از مدل های گارچ به محاسبه و مدلسازی نوسانات کسری بودجه پرداخته خواهد شد . مدلهای آرچ برای به تصویر کشیدن شاخه بندی نوسانات و همبستگی طراحی شده اند. بسیاری از مقالات که روی مدل سازی گارچ تمرکز داشتند پیشنهاد دادند که استفاده از تصریح p=q=1 ، در مدل سازی اکثر نوسانات بازدهی های مالی بسیار موفق تر است. هدف این مطالعه استفاده از مدل های گارچ یک متغیره می باشد . مشکل اصلی گارچ استاندارد این است که شوک های مثبت و منفی اثرات یکسانی بر روی نوسانات دارند .هرچند این اثرات این شوک های مثبت و منفی ممکن است متقارن باشد. نا متفارن بودن نوسانات به ان مفهوم است که اخبار بد ( تکانه های منفی) منجر به نوسانات آتی بیشتری در قیمت و نوسانات کسری بودجه نسبت به اخبار خوب می شود . در این مقاله رابطه میان تکانه های کسری بودجه (اخبار ) و نوسانات شرطی را با استفاده از الگوهای گارچ نمایی و گارچ توانی و گارچ آستانه ای بررسی خواهد شد . نتایج نشان می دهد که طی دوره 1401-1351، شوکهای وارد شده بر اقتصاد در کوتاه مدت بر تلاطم کسری بودجه معنی دار نیست اما شوک های وارد شده بر اقتصاد در بلند مدت، بر کسری بودجه بر طبق مدلهای گارچ معنی دار می باشد.

امروزه با وجود روش های مختلف برای بررسی های بازارهای مالی، هنوز پیش بینی دقیق بازده سهام کار چندان ساده ای نیست. از گذشته تا به امروز مدل های خود رگرسیون (AR) که توسط باکس و جنکینز معرفی شد در پیش بینی مسائل متعددی مثل مسائل مالی استفاده می شود و اساس عملکرد این گونه مدل ها این است که مقادیر آینده سری، با مقادیر گذشته و جاری سری رابطه داشته اند. از طرفی مدل سازی قیمت سهام نیز همیشه از موضوعات جذاب در بورس اوراق بهادار می باشد.در این راستا مدل سازی و پیش بینی روند بازدهی سهام با استفاده از خانواده اتورگرسیو با دو رژیم بسیار مفید و می باشد. این مقاله در پی این است که نرخ بازدهی شاخص مالی را در ارتباط با احتمالات انتقال مجزا که مربوط به دو رژیم مجزا می باشد، مدل سازی کند. این گونه مدل ها برای پیش بینی کوتاه مدت بسیار مفید می باشند.روش این مطالعه روش مدل اتورگرسیو مارکف (MS-AR) می باشد. برآوردهای تجربی این مقاله حاکی از آن است که نوسانات شاخص مالی بورس اوراق بهادار ایران می تواند توسط الگوی خود بازگشتی مارکف نسبت به مدل های بازگشتی ساده بهتر توصیف شوند. برتری مدل های خود بازگشتی مارکف برای ضرایب مثبت در تأخیرهای کم واضح تر می باشد. مدل مارکف انتقالات بین حالت رکودی و حالت رونقی (حالت پر نوسان و کم نوسان ) را مدل سازی می کند و مدل خود بازگشتی مارکف یک روش غیرخطی است که پرش ها و بحران های بازارهای مالی را بسیار خوب مدل سازی می کند و این خاصیت به خاطر تفکیک داده های سری به رژیم های مختلف می باشد. مدل چرخشی خود بازگشتی مارکف می تواند به صور دقیق مهر و موم های اخیر رژیم در بازار سهام و شوک های وارد شده به بازار سهام ایران را شناسایی کند. نوسانات بازده سهام را توانسته به دو رژیم پر نوسان و کم نوسان تفکیک کند نتایج نشان می دهد که در بازار ایران مدت ماندن بازار در رژیم پر نوسان طولانی تر از مدت ماندن در رژیم کم نوسان است در ایران بازار سهام بیشتر در رژیم پر نوسان می باشد و این موضوع برای سرمایه گذاران از جنبه برای سودآوری مهم می باشد زیرا می توان از این نوسانات فرصت سودآوری را شناسایی نمود.

گردشگری در بخش اقتصاد، شامل خدماتی است که تأثیر زیادی بر فعالیت های اقتصادی و اجتماعی دارد و شناخت این ارتباطات کمک قابل توجهی به تعامل بین توسعه پایدار و گردشگری خواهد کرد. در این مطالعه، ضمن بررسی وضعیت صنعت گردشگری در ایران، به مدلسازی تقاضای گردشگر در ایران با استفاده از روش شبکه عصبی پرداخته شده است. در مدل متغیرهای ورودی عبارتند از: تعداد گردشگر ورودی به ایران در طی سال های 1359 تا 1390، ارز حاصل از گردشگری در طی این سال ها و همچنین یک متغیر مجازی (عوامل سیاسی) که توسط محقق برای بررسی میزان تأثیر وجود جنگ در منطقه بر روی تقاضای گردشگر تعریف شده است. نتایج نشان می دهد که نرخ ارز بیشترین اهمیت را در مدل داشته و جنگ کمترین اهمیت را در میان عوامل مؤثر بر تقاضای گردشگر در ایران داشته است.

طلا یک کالای استراتژیک است و عوامل زیادی بر قیمت آن تاثیر می گذارد. از طرفی روش شبکه عصبی توانایی خاصی در برآورد روند و پیش بینی نوسانات قیمت طلا دارد و روش رگرسیون سوئیچینگ نیز توانایی در شناسایی شوک ها و سال های تغییر رژیم های نوسانات در سطح پر نوسان و کم نوسان دارد. این تحقیق به طور جداگانه بر بررسی هر یک و پیاده سازی این روش ها در داده های نوسانات قیمت طلا می پردازیم. روش تحقیق: در این پژوهش با شناسایی عوامل موثر بر نوسان های قیمت طلا برای دوره 1390-1359 الگوی متناسب با این نوسان ها مدل سازی می شود. برای مدل سازی از دو روش غیر خطی شبکه عصبی و مدل رگرسیون چرخشی مارکف استفاده شده است. هدف مدل سازی در این مطالعه مقایسه دو روش نیست بلکه با یاری جستن از دو مدل سعی در برازش بهتر و پیش بینی بهتر مدل ها می باشد. هر یک از این دو روش توانایی خاصی در قسمتی از فرآیند مدل سازی دارند. شبکه عصبی به کار گرفته شده در این پژوهش حاوی 2 لایه پنهان و رگرسیون چرخشی نیز دارای 2 رژیم می باشد. نتایج حاکی از آن است که روش شبکه عصبی به خوبی توانسته نوسانات قیمت طلا را پیش بینی کند و روش رگرسیون چرخشی سال های چرخش و شوک را شناسایی نموده و تشخیص داده شده که در ایران مدتی که بازار طلا در حالت کم نوسان است، بیشتر از حالت پر نوسان است. نتایج نشان می دهد از میان عوامل موثر بر قیمت طلا در مدل شبکه عصبی متغیر نرخ ارز و قیمت جهانی طلا بیشترین تاثیر را دارد و در مدل چرخشی مارکف متغیر قیمت نفت و پس از آن CPIدارای بالاترین اهمیت و درجه تاثیر گذاری بر قیمت طلا می باشد.

امروزه با توجه به نقش زنان، اهمیت دادن به وضعیت اشتغال زنان و هدایت آن ها به بازار کار می تواند زمینه بهره گیری بهتر جامعه از این نیروی بالقوه را فرآهم آورد. به همین دلیل شناخت مجموعه عوامل زمینه ساز مشارکت هرچه بیش تر این جمعیت توانمند در عرصه های اقتصادی و اجتماعی کشور اولویت ویژه ای دارد. هدف از مطالعه حاضر بررسی تأثیر متغیرهایی چون نرخ پوشش آموزش ابتدایی، متوسطه و عالی برای دختران، سهم ارزش افزوده بخش صنعت در تولید ناخالص داخلی (شاخص مراحل توسعه)، مجذور سهم ارزش افزوده صنعت (شاخص توسعه یافتگی)، نسبت ازدواج به طلاق (شاخص اجتماعی – فرهنگی)، سهم مخارج دولت از تولید ناخالص داخلی (شاخص اندازه دولت ) بر اشتغال زنان در ایران طی سال های 1390-1347 بود. بدین منظور از مدل شبکه عصبی مصنوعی استفاده شد. نتیجه پژوهش نشان می دهد که در دوره مورد بررسی افزایش درجه توسعه یافتگی کشور و بالا رفتن سطح تحصیلات زنان، بیش ترین تأثیر را در افزایش سهم زنان در نیروی کار داشته است.

در این مطالعه، قدرت برازش و قدرت پیش بینی مجموعه ای از مدل های انتقالی گارچ مارکف SW-GARCH، با استفاده از داده های بازار بورس اوراق بهادار تهران، طی سال های 90-1376 مقایسه می شود. در این مقاله، از مدل انتقالی گارچ مارکف برای پیش بینی نوسانات در بازار بورس اوراق بهادار تهران در افق های پیش بینی کوتاه مدت شامل یک روزه و پنج روزه (هفته ای) و دوره بلندمدت شامل ده روزه و 22روزه استفاده شده است. علت استفاده از این مدل ها آن است که برای همه شاخص های مدل، امکان چرخش یا انتقال بین دو رژیم پرنوسان و کم نوسان وجود دارد. به همین دلیل، هم توزیع گوسی (نرمال) و هم دو توزیع دنباله پهن (t-استیودنت و GED) برای خطاها در نظر گرفته شده است. درجه آزادی نیز بین دو رژیم نوسان تغییرپذیر تعبیه شد تا چولگی احتمالی وابسته به زمان نیز در نظر گرفته شود. نتایج تجربی نشان می دهد برای پیش بینی نوسانات بازار سهام ایران، عملکرد مدل های SW-GARCH با توزیع خطای t و با درجه آزادی متغیر بین دو رژیم، بسیار بهتر از مدل های گارچ معمولی است. حتی در برازش و بررسی های داخل نمونه ای نیز این نوع از مدل های انتقالی مارکف، رتبه اول را در زمینه قدرت برازش به خود اختصاص دادند.

مقدمه: استفاده از شبکه های عصبی و الگوریتم های ژنتیک در بررسی مسایل و متغیرهای پر کاربرد در زمینه ی سلامت، این روزها بیش از پیش رواج یافته است. مجهز شدن علم پزشکی به ابزارهای هوشمند در تشخیص و درمان بیماری ها می تواند اشتباهات پزشکان و خسارت جانی و مالی را کاهش دهد. در این مقاله کاربردهای نوعی شبکه ی عصبی در پزشکی مورد بررسی قرار گرفته است، تا هم برای محققان هوش مصنوعی و هم برای پزشکی قابل استفاده باشد. روش بررسی: در این مطالعه از نمونه ی داده های موجود در نرم افزار SPSS به نام Patient_los.sav که شامل ثبت درمان یک نمونه از بیمارانی است که برای بیماری قلبی درمان دریافت نموده اند، استفاده خواهیم کرد و با به کارگیری فرایند پرسپترون چند لایه برای ساختن یک شبکه ی عصبی، به پیش بینی هزینه و طول درمان بیماران پرداخته شده است. متغیرهای طول مدت بستری شدن و هزینه ی درمان به عنوان متغیرهای وابسته و سایر متغیرها را نیز به عنوان عامل یا فاکتور وارد مدل شده اند. یافته ها: شبکه ی عصبی می تواند نتایج بیمارانی که عمل شده باشد یا عمل نشده باشند، را بررسی کند و سپس شبکه های جداگانه می تواند هزینه ی درمان و مدت بستری شدن را پیش بینی کند، به شرط این که بدانیم روی چه بیماری جراحی انجام شده است. نتیجه گیری: شبکه ی عصبی طراحی شده در این قسمت به خوبی مقادیر معمول بیماران را پیش بینی میکند و با به وجود آوردن شبکه ی عصبی چند لایه می توان بیمارانی که قبل از عمل جراحی می میرند، را به خوبی به تصویر کشید. شبکه ی عصبی به خاطر خاصیت مدل سازی غیر خطی می تواند کمک مؤثری در مدل سازی و پیش بینی باشد.