مرضیه نوراحمدی

هدف: با افزایش حجم اطلاعات و پیچیدگی بازارهای مالی، سرمایه گذاران به طور فزاینده ای به دنبال ابزارهای نوین مالی، برای تصمیم گیری آگاهانه ترند. این ابزارها باید به سرمایه گذاران کمک کنند تا ضمن انتخاب سهام مناسب، بازدهی بیشتری کسب کنند. در این راستا، سیستم های توصیه کننده سهام، اهمیت بیشتری پیدا می کنند. سیستم های توصیه کننده سهام می توانند در این زمینه به سرمایه گذاران کمک کنند تا با انتخاب سهام مناسب، بازدهی بیشتری کسب کنند. سیستم های توصیه کننده سنتی سهام، اغلب دقت و کارایی لازم را ندارند. این پژوهش، روشی نوینی به نام فیلترینگ مشارکتی مبتنی بر سهام را برای طراحی سیستم توصیه کننده سهام در بورس اوراق بهادار تهران ارائه می دهد. این روش بر پایه دو فرضیه کلیدی بنا شده است: ۱. عدم کارایی بازار: بازار سهام به طور کامل کارآمد نیست و اطلاعات را به طور کامل و دقیق منعکس نمی کند. ۲. اطلاعات نهفته در حرکات سهام: حرکت سهام نوعی اطلاعات دارد و می تواند بر قیمت سهام دیگر در بازار تأثیر بگذارد. در این پژوهش با فرض وجود اثر انتقال در بورس اوراق بهادار تهران، از تکنیک فیلترینگ مشارکتی برای طراحی یک سیستم سهام توصیه کننده استفاده شده است که یکی از الگوریتم های سیستم های توصیه کننده به شمار می رود. هدف این استراتژی، یافتن سهام مستعد برای کسب بازدهی بیشتر از بازار است. روش: در این پژوهش، از داده های تاریخی قیمت سهام ۱۴۵ شرکت حاضر در بورس اوراق بهادار تهران، در بازه زمانی ۱۳۹۱ تا ۱۴۰۰ استفاده شد. الگوریتم فیلترینگ مشارکتی، در دو مرحله یادگیری و آزمایش اجرا شد. در مرحله یادگیری، الگوریتم با استفاده از داده های سال های ۱۳۹۱ تا ۱۳۹۵ آموزش داده شد و در مرحله آزمایش، عملکرد آن روی داده های سال های ۱۳۹۵ تا ۱۴۰۰ ارزیابی شد. در گام بعدی با استفاده از الگوریتم فیلترینگ مشارکتی مبتنی بر سهام، سیگنال خریدوفروش در طول دوره محاسبه و در نهایت، استراتژی ارزیابی شد. یافته ها: الگوریتم به عنوان یک استراتژی سرمایه گذاری، در دو دوره درون نمونه ای و برون نمونه آزمایش شد. نتایج به دست آمده از طریق الگوریتم برای دوره های برون نمونه نشان می دهد که این استراتژی می تواند ۲۵ برابر بازدهی داشته باشد؛ در حالی که شاخص کل در این بازه زمانی ۱۶ برابر شده که نشان دهنده عملکرد عالی استراتژی در طول دوره زمانی است. همچنین میزان ارزش در معرض ریسک در دوره زمانی مورد بررسی، برای روش منتخب 8/12- درصد است که میزان ریسک کمتر این روش را نشان می دهد.   نتیجه گیری: الگوریتم فیلترینگ مشارکتی مبتنی بر سهام، نوعی استراتژی سرمایه گذاری فعال است. هدف این الگوریتم هوشمند، شناسایی سهام ارزشمند و کسب بازدهی بیشتر از بازار است و می تواند در این زمینه به سرمایه گذاران کمک کند. این الگوریتم می تواند ابزاری ارزشمند برای سرمایه گذاران فعالی باشد که به دنبال یافتن سهام ارزشمند و کسب بازدهی بیشتر از بازار هستند. بنابراین پژوهش های بیشتر برای بررسی عملکرد این الگوریتم در بازارهای مختلف و شرایط اقتصادی متنوع ضروری است. همچنین، به پژوهشگران بعدی توصیه می شود که از استراتژی های کنترل ریسک بهره ببرند و این عملکرد سیستم را تقویت کنند.

موضوع و هدف مقاله:با ظهور نیازهای جدید در جامعه، دولت ها مسئولیت های جدیدی را بر عهده گرفته اند. این وظایف گسترده و متنوع هستند؛ اما منابع محدود دولت ها آن ها را مجبور به اولویت بندی نیازها و انتخاب سیاست های مدیریت منابع کرده است. یکی از مهم ترین وظایف دولت ها، حفاظت از منابع مالی عمومی و کارآیی مصرف آن هاست. این وظیفه به چندین وظیفه جزئی تقسیم می شود. سیستم حساب واحد خزانه، یکی از اجزای مهم سیستم اطلاعات مدیریت مالی دولت است و ارزیابی عملکرد آن اهمیت بالایی دارد. روش پژوهش:در این پژوهش، حساب واحد خزانه با استفاده از پرسشنامه استاندارد بانک جهانی و مصاحبه با خبرگان بخش عمومی در سال 1401 مورد بررسی قرار گرفته است. جامعه آماری این پژوهش خبرگان بخش عمومی ایران می باشد.یافته های پژوهش:با توجه به معیارهای ارزیابی، حساب واحد خزانه امتیاز ۶۹ از ۱۰۰ را کسب کرده است که به عبارت دیگر، در محدوده میانگین تا خوب قرار دارد. نتایج نشان می دهد که در حوزه امنیت، این واحد برتری دارد، اما در حوزه مکانیسم های نظارتی، کمترین عملکرد را دارد.نتیجه گیری، اصالت و افزوده آن به دانش: برای افزایش بهره وری و کارآیی در مصرف منابع مالی عمومی، ضرورت دارد که واحد خزانه به نحوی تقویت شود که تمامی جنبه های اهمیت دار حفظ و بهره وری از این منابع را پوشش دهد. این پژوهش با ارائه یک ارزیابی جامع از نظام حساب واحد خزانه در ایران، چالش ها و فرصت های پیش روی این نظام را به طور شفاف واکاوی می کند و راهکارهای عملیاتی برای ارتقای عملکرد آن ارائه می دهد

بازار سهام، به عنوان یک حوزه مالی برجسته، چالش بزرگی را در درک و ارزیابی مجموعه گسترده ای از سهام ارائه می دهد. استفاده از تجزیه و تحلیل شبکه سهام، درک جامعی از کل شبکه را از طریق تکنیک های متنوع مصورسازی تسهیل می کند. این مطالعه به بررسی اطلاعات 50 شرکت برتر پذیرفته شده در بورس اوراق بهادار تهران در بازه زمانی 1 ژانویه 2019 تا 6 ژوئیه 2021 می پردازد. با استفاده از ابزارهای یادگیری ماشینی بدون نظارت مانند الگوریتم های تشخیص جامعه و روش های تجزیه و تحلیل شبکه مانند لاوین، گیروان - نیومن، شبکه ای از سهام تشکیل شد. پس از آن، پنج معیار مرکزیت برای این شرکت ها محاسبه شد که شامل مرکزیت درجه، مرکزیت نزدیکی، مرکزیت ویژه، مرکزیت بینابینی و رتبه صفحه است. با فرمول بندی یک ماتریس شباهت بر اساس این معیارها برای سهام باقی مانده در شبکه، مجموعه ای از 25 سهام مناسب برای سرمایه گذاری تعیین شد که از رتبه بندی سهام بر اساس معیارهای مرکزیت به دست می آید.

هدف: بررسی کاربرد فیلتر کالمن برای تخمین نسبت پوشش ریسک پویا در استراتژی معاملات زوجی، هدف اصلی این پژوهش است. سؤال اصلی مقاله این است که آیا سرمایه گذاران فردی، می توانند با به کارگیری استراتژی معاملات زوجی، سود کسب کنند؟ روش: در این پژوهش از روش هم انباشتگی برای انتخاب زوج سهم ها استفاده شده و بر اساس رهیافت فضا حالت و به کمک الگوریتم فیلتر کالمن، به تخمین نسبت پوشش ریسک پویا برای ارائه سیگنال های معامله پرداخته شده است. از سیگنال های معامله برای توسعه یک استراتژی معامله زوجی بین 26 شرکت صنعت خودرو در بازار بورس اوراق بهادار، تهران طی دوره 1395 تا 1399 استفاده شده است. یافته ها: با توجه به نتایج هم انباشتگی، از بین 26 سهمی که برای تحلیل انتخاب شده بود، تنها 16 سهم رابطه هم انباشتگی داشت. بر اساس روش فیلتر کالمن، میزان بازدهی برابر 11 / 0 و نسبت شارپ برابر 06 / 3 به دست آمد. نتیجه گیری: نتایج به دست آمده از نسبت های شارپ و نرخ رشد مرکب سالانه، نشان می دهد که استفاده از استراتژی معاملات زوجی در دوره زمانی در دست بررسی و در صنعت خودرو سودآور است. افزون بر این، برای انجام معاملات زوجی، روش فیلتر کالمن نسبت به روش هم انباشتگی برتر است.

اهداف: شناخت مشتریان و ارائه پیشنهادهای سرمایه گذاری شخصی به آنها جنبه ای ضروری از یک استراتژی مشورتی سودمند و مؤثر است. بسیاری از خانوارها برای راهنمایی سرمایه گذاری به مشاوران مالی اعتماد می کنند. تجزیه و تحلیل داده های هوشمند یکی از زمینه های هوش مصنوعی است که مسئله یادگیری سیستم های اتوماتیک را بدون برنامه صریح حل می کند. شرکت های مالی دریافته اند که باید خودشان را به سرعت با محیط سازگار و با استفاده از سیستم های خودکار در هزینه و دقت توصیه های مالی به سرمایه گذاران صرفه جویی کنند. در سال های اخیر نوعی مشاوره مبتنی بر فناوری به عنوان روش جایگزین با نام مشاوره روبو معرفی شده است. مشاوره روبو توصیه گری مالی است که از طریق الگوریتم های یادگیری ماشینی برای تجزیه و تحلیل خودکار سطح ریسک محصول مالی و ارائه سبد سرمایه گذاری پیشنهادی کمک می کند. ربات های هوشمند، پلتفرم های دیجیتالی هستند که خدمات برنامه ریزی مالی و سرمایه گذاری را مبتنی بر الگوریتم و به طور خودکار ارائه می دهند.روش: در این پژوهش با استفاده از روش نگاشت دانش به مرور سیستماتیک پژوهش های انجام شده درخصوص ربات های هوشمند توجه شده است. سپس مرتبط ترین پژوهش ها در این زمینه شناسایی و طبقه بندی آنها براساس مقالات، نویسندگان، مجلات، مؤسسات و کشورها انجام شده است.نتایج: در انتها چارچوبی به منظور طراحی ربات های هوشمند در ایران پیشنهاد شده است. این پژوهش دیدی کلی به پژوهشگران درخصوص روند پژوهش های انجام شده و اهمیت موضوع می دهد. روش نگاشت دانش با ارائه اطلاعات کمی و دقیق، نویسندگان را در بهبود کیفیت مقاله ها، تحلیل تأثیر آنها و انتخاب بهترین راهکار در نگارش مقالات علمی یاری می کند.

تجزیه و تحلیل شبکه یکی از روش های مورد توجه تحلیل گران برای تجزیه و تحلیل روابط پیچیده در داده ها به روش شهودی است. یکی از کاربردهای تجزیه و تحلیل شبکه، مصور سازی روابط بین طبقات مختلف دارایی هاست. بازار سهام به عنوان یک سیستم پیچیده ای در نظر گرفته می شود که پویایی پیچیده متعلق به خود را نشان می دهد. شناسایی پویایی های بازار سهام برای بازیگران، سرمایه گذاران و سیاست گذاران مالی مهم است. پیچیدگی بازار سهام می تواند دلایل مختلفی داشته باشد که وابستگی متقابل سهام به یکدیگر می تواند یکی از برجسته ترین این عوامل باشد. یکی از مهم ترین دغدغه های افراد در بازار سرمایه، یافتن روشی جهت ارائه و تحلیل داده های سهام شرکت های مختلف است. شرکت های مختلفی در بورس وجود دارد و همواره مدیران سبد سرمایه گذاری و سرمایه گذاران در انتخاب سبد سهام مناسب، نیاز به بررسی بهترین روش برای تشکیل سبد سهام هستند. در این مقاله در خصوص تشکیل پرتفوی متنوع و غیرمتنوع از طریق تئوری شبکه بحث می شود. برای اجرای این پژوهش، از قیمت پایانی تعدیل شده 138 شرکت شاخص بورسی برای دوره 11-10-1395 الی 15-04-1400معادل 1648روز معاملاتی استفاده شده است. برای توصیف تاثیر بین سهام از ماتریس مجاورت استفاده شده و با استفاده از آستانه بهینه، پرتفوی متنوع و غیرمتنوع بدست می آید. نتایج سهام منتخب برای پرتفوی را با استفاده از رویکرد برابری ریسک سلسله مراتبی (HRP) پیاده سازی نموده و نتایج آن ربا سه روش مینیمم واریانس (MVP)[1]، توزیع یکنواخت (UNIF) و برابری ریسک (RP) برای دو دوره زمانی درون نمونه و برون نمونه، برای هر دو پرتفوی متنوع و غیر متنوع مقایسه می شود. در نهایت نتایج با استفاده از چهار معیار سورتینو، شارپ، ماکسیمم DD و کالمر مقایسه شده است. نتایج نشان دهنده برتری رویکرد سبد غیرمتنوع در دوران های نزولی بازار و برتری رویکرد سبد متنوع سازی شده در سایر زمان هاست.

تشکیل سبد سرمایه گذاری یکی از اصلی ترین دغدغه های مدیران و سرمایه گذارانی است که همواره در جست وجوی تلاش برای تشکیل بهترین سبد سرمایه گذاری هستند تا بتوانند بیشترین بازده را از بازار بدست آورند. تاکنون روش های زیادی برای تشکیل سبد سرمایه گذاری معرفی شده است که مشهورترین آن رویکرد مارکویتز است. تئوری میانگین-واریانس به دلیل دشواری در تخمین بازده مورد انتظار و کواریانس برای طبقات مختلف دارایی دارای اشکالات عملی زیادی است. هدف از این پژوهش به حداکثر رساندن بازده تنظیم شده با ریسک در سبد سهام با استفاده از روش PCA در یک مجموعه داده از بازده سهام است. مجموعه داده مورد استفاده برای این مطالعه موردی، داده های روزانه تعدیل شده 50 شرکت شاخص برتر بورس و سهام مربوطه است برای دوره زمانی 1395-02-06 الی 11-09- 1399 برای 1027 روز معاملاتی است. از یک الگوریتم کاهش بعد (PCA) برای تخصیص سرمایه به کلاس های مختلف دارایی برای به حداکثر رساندن بازده های تعدیل شده توسط ریسک استفاده می کنیم و نتایج آن را با رویکرد تخصیص وزن برابر (1/N) مقایسه شده است. همچنین یک چارچوب پس آزمایی برای ارزیابی عملکرد سبدهای سرمایه گذاری ای که ارائه شده است، معرفی می -شود. مطابق نتایج نشان داده شد که واریانس توضیح داده شده توسط سه مولفه اصلی می تواند به عنوان شاخصی برای شناسایی مهم ترین ریسک های کسب و کار باشد.

هدف: مسئله تخصیص دارایی ها، به تصمیم گیری تحت شرایط عدم اطمینان نیاز دارد. تشکیل پرتفوی سرمایه گذاری، یکی از مشکلات مالی بسیار رایج است. همواره سرمایه گذاران در تکاپوی تشکیل بهترین پرتفوی برای سرمایه گذاری هستند تا بتوانند بیشترین سود را کسب کنند. تاکنون روش های زیادی برای تشکیل پرتفوی معرفی شده است که مشهورترین آن، رویکرد مارکویتز است. تئوری میانگین واریانس، به دلیل دشواری در تخمین بازده مورد انتظار و کواریانس برای طبقات مختلف دارایی، اشکال های عملی زیادی دارد. هدف از اجرای این پژوهش، یافتن روشی برای بهینه سازی سبد سهام است که در شبیه سازی برون نمونه برای بازار سهام ایران، عملکرد برتری داشته باشد.روش: در این پژوهش، از تکنیک یادگیری ماشین برابری ریسک سلسله مراتبی استفاده شده و نتایج آن با رویکرد مینیمم واریانس مقایسه شده است. برای اجرای این پژوهش، از قیمت پایانی تعدیل شده 30 شرکت بورسی برای 760 روز معاملاتی در دوره زمانی 1397 تا 1399 استفاده شده است.یافته ها: برای ارزیابی عملکرد پرتفولیو از نسبت شارپ برای هر دو دوره درون نمونه و برون نمونه استفاده شد. نتایج به دست آمده از تحلیل درون نمونه و برون نمونه نشان داد که رویکرد برابری ریسک سلسله مراتبی، در مقایسه با رویکرد مینیمم واریانس، عملکرد بهتری دارد.نتیجه گیری: رویکرد برابری ریسک سلسله مراتبی، جایگزین معناداری برای رویکردهای سنتی تخصیص دارایی، از جمله رویکرد مینیمم واریانس است و برای سرمایه گذاران، ابزار مهم مدیریت ریسک محسوب می شود. مدیران سبدگردان و سرمایه گذاران نیز می توانند از این روش برای تخصیص وزن به سبد خود استفاده کنند.

هدف: توسعه و پیشرفت علم و فن آوری، روزانه موجب ایجاد حجم زیادی از داده های ساخت یافته، نیمه ساختاریافته و بدون ساختار با سرعتی بسیار سریع از منابع مختلف گردیده که منجر به اشتراک گذاشتن الگوهای مشترک بسیاری شده به نحوی که می توان با استفاده از سیستم های توصیه کننده که بر اساس نیازهای کاربران طراحی شده با فیلتر و تجزیه وتحلیل این داده هایشان، توصیه هایی مربوط به محصول، کالا یا خدمات مورد علاقه آن ها ارائه داد. یکی از مسائل مهم در سیستم های توصیه کننده ارائه توصیه های شخصی سازی شده متناسب با روحیات کاربران است. روش شناسی پژوهش: در این پژوهش با رویکرد نگاشت دانش با استفاده از کتابخانه bibliometrix در نرم افزار R به مرور کلیه پژوهش های انجام شده در خصوص کاربرد سیستم های توصیه کننده در شخصی سازی پرداخته می شود. یافته ها : در این پژوهش با استفاده از روش نگاشت دانش ضمن تعریف سیستم های توصیه کننده و انواع آن، به معرفی نمای کلی از حیطه شخصی سازی پرداخته و انواع مختلف شخصی سازی ارائه می شود. همچنین در مورد روند شخصی سازی بحث نموده و در خصوص سیستم های توصیه کننده به عنوان بخش جدایی ناپذیر از این فرایند نیز توضیحاتی مطرح شده است. در ادامه چالش هایی که برای پیاده سازی سیستم های توصیه کننده وجود دارد ارائه شده است و نهایتاً حوزه هایی که بحث شخصی سازی سیستم های توصیه کننده می تواند در آن مطرح شود، ارائه می شود. اصالت/ارزش افزوده علمی: نتایج این پژوهش با مروری جامع بر کلیه پژوهش های این حوزه می تواند به عنوان جعبه ابزاری در جهت کاربرد سیستم های توصیه کننده در شخصی سازی محققان را در ایده پردازی و انتخاب روش مناسب در طبقه بندی و تحلیل داده ها یاری دهد.

هدف: یکی از موضوعاتی که تأثیر بسزایی در نحوه سرمایه گذاری افراد دارد، خصوصیات رفتاری سرمایه گذاران است. با توجه به اهمیت این موضوع، سرمایه گذاران باید بتوانند افراد سرمایه گذار را به طبقات مختلف دسته بندی نمایند و برای هر طبقه، سرمایه گذاری متناسب با تیپ شخصیتی همان طبقه را به آن ها توصیه کنند. یکی از راهکارهایی که برای این منظور می توان استفاده نمود، خوشه بندی است. خوشه بندی یکی از روش های یادگیری بدون نظارت بوده و ماهیتی توصیفی دارد. در این روش داده ها بر اساس یک معیار مشابهت به گونه ای تخصیص می یابند که داده های موجود در هر خوشه دارای بیشترین شباهت با یکدیگر و کمترین شباهت با داده های موجود در خوشه های دیگر باشند. روش شناسی پژوهش: در این پژوهش با استفاده از خوشه بندی k-means و روش انتشار وابستگی، مجموعه ای از سرمایه گذاران با توانایی و تمایل مشابه برای پذیرش ریسک را شناسایی می کنیم. همچنین نشان می دهیم که چگونه می توان با استفاده از تکنیک های خوشه بندی به تخصیص مؤثر دارایی ها با استفاده از خصوصیات سرمایه گذاران پرداخت. یافته ه ا: از ضریب silhouette برای ارزیابی دو روش خوشه بندی استفاده نموده تا بهترین روش را برای خوشه بندی داده ها انتخاب نماییم. ضریب k-means برابر با 0.17 و انتشار وابستگی برابر  با 0.097 شد؛ بنابراین ما روش k-means را به عنوان روش خوشه بندی مطلوب انتخاب می نماییم. با استفاده از روش خوشه بندی K-means به خوشه بندی سرمایه گذاران براساس ویژگی های مالی، رفتاری و جمعیت شناختی پرداخته و با توجه به نتایج خوشه بندی، افراد را به هفت دسته با پذیرش ریسک کم تا زیاد تقسیم بندی می نماییم. اصالت/ارزش افزوده علمی: کلیه محاسبات این پژوهش توسط پایتون 3.8 انجام شده است. نتایج این پژوهش می تواند توسط مدیران سرمایه گذاری و مشاوران توصیه گر سهام مورداستفاده قرار بگیرد.

یکی از روش هایی که امروزه به عنوان تأمین مالی استفاده می شود و توجه محققین را به خود معطوف نموده است، استفاده از تأمین مالی جمعی است. تأمین مالی جمعی به چهار طریق امکان پذیر است که تمرکز این پژوهش بررسی روش مبتنی بر خیریه است. یکی از مفاهیمی که می تواند ارتباط با این موضوع داشته باشد و مورد چالش باشد، بحث نحوه ارتباط بین خیّر و سرمایه گذار است. در این پژوهش با استفاده از روش توصیفی-تحلیلی ابتدا به تبیین تأمین مالی جمعی پرداخته و سپس یک مکانیسم پیشنهادی برای توصیه کننده اجتماعی به منظور حمایت از تأمین مالی غیرانتفاعی بر پایه بلاکچین ارائه نمودیم. در این خصوص ترجیحات خیّرین، روابط بین خیّرین و سرمایه گذاری و خصوصیات تأمین مالی پویا برای افزایش نرخ موفقیت تأمین مالی و رضایت خیّرین را بررسی می نماییم. سپس مدل توصیه کننده ای معرفی نموده که لیستی از خیرین را برای کمپین های مختلفی که سرمایه گذاران برای تأمین مالی جمعی ایجاد کرده اند، معرفی می نماید. این پژوهش می تواند مبنایی برای عملیاتی نمودن چنین سامانه هایی در بستر وب برای گسترش فعالیت های بشردوستانه باشد و نتایج آن می تواند برای سازمان های مردم نهاد، مؤسسات خیریه و ... مورد استفاده قرار بگیرد.

این مقاله به برآورد ارزش در معرض ریسک و ریزش مورد انتظار با توجه به روش های نوین با تأکید بر رویکرد ارزش فرین شرطی و مقایسه آنها با عملکرد رویکرد های پارامتریک می پردازد. روش های معرفی شده محاسبه ریسک بازار برای شاخص کل بورس اوراق بهادار تهران در دوره 1387 تا 1395 انجام شده است. به علاوه، برای بررسی و مقایسه الگوها از روش های پس آزمایی VaR مانند آزمون های استقلال تخطی ها و پوشش برنولی و روش های پس آزمایی ES همچون آزمون مک نیل و فری و آزمون رتبه بندی MCS استفاده می شود. نتایج پس آزمایی به دست آمده در این مقاله حاکی از برتری محاسبه VaR برگرفته از تئوری ارزش فرین شرطی در مقایسه با سایر مدل های رقیب، از قبیل مدل ارزش فرین غیرشرطی، نرمال ایستا (روش واریانس کواریانس) و نرمال شرطی (مدل گارچ) است. همچنین نتایج تابع MCS برای معیار ES نشان داد رویکرد های ارزش فرین شرطی با فرض پسماندهای استانداردشده تی. استیودنت، ارزش فرین شرطی با فرض پسماندهای استانداردشده نرمال و مدل GARCH با فرض پسماندهای تی. استیودنت به ترتیب در رتبه های اول تا سوم قرار می گیرند