مهتا موسی

در این پژوهش، به تحلیل و پیش بینی ارزش شرکت ها با استفاده از داده های مالی، شاخص های ESG (زیست محیطی، اجتماعی و حکمرانی) و ریسک های اقلیمی پرداخته شده است. هدف اصلی این تحقیق، توسعه یک مدل پیش بینی دقیق تر با استفاده از الگوریتم های پیشرفته یادگیری ماشین نظیر XGBoost و شبکه های عصبی چند لایه (MLP) برای تحلیل تأثیر داده های ESG و ریسک های اقلیمی بر ارزش شرکت ها است. نتایج نشان می دهند که ROE (بازده حقوق صاحبان سهام) بیشترین تأثیر را بر پیش بینی ارزش شرکت ها دارد، در حالی که ویژگی های غیرمالی مانند ESG و ریسک های اقلیمی تأثیر نسبتاً کمتری دارند. مدل MLP عملکرد بهتری نسبت به XGBoost در پیش بینی ها از خود نشان داد و دقت بالاتری در شبیه سازی داده ها داشت. این تحقیق همچنین نشان داد که ریسک های اقلیمی و شاخص های ESG، هرچند تأثیر کمتری بر پیش بینی های مالی دارند، اما به عنوان ابزاری برای ارزیابی پایداری بلندمدت شرکت ها باید در تحلیل های مالی گنجانده شوند. بر اساس این یافته ها، پیشنهاد می شود که از مدل های پیچیده تر و دقیق تر برای پیش بینی ارزش شرکت ها و ارزیابی تأثیر ریسک های اقلیمی در بازارهای سرمایه استفاده گردد.

سرمایه گذاری در واردات فلزات فولادی در شرایط اقتصادی کنونی ایران، به ویژه در زمان تورم بالا، با چالش های مختلفی روبه رو است که ریسک های خاص خود را به همراه دارد. پژوهش حاضر با هدف ریسک های سرمایه گذاری در واردات فلزات فولادی در قبال صادرات در ایران با توجه به تورم انجام شد. این پژوهش با روش کیفی انجام شد و داده ها از طریق مطالعه کتابخانه ای جمع آوری شد. نتایج نشان داد در شرایط تورمی، واردات فلزات فولادی به دلیل نوسانات ارزی و افزایش هزینه ها با ریسک های بالاتری همراه است، در حالی که صادرات، با وجود فرصت های درآمدی، از مشکلات تحریمی و محدودیت های بازارهای خارجی رنج می برد. بنابراین، انتخاب بهترین مسیر سرمایه گذاری به وضعیت اقتصادی کشور و شرایط خاص بازار بستگی دارد.کلیدواژه ها: ریسک های سرمایه گذاری، واردات، صادرات، تورم، فلزات فولادیکلیدواژه ها: ریسک های سرمایه گذاری، واردات، صادرات، تورم، فلزات فولادیکلیدواژه ها: ریسک های سرمایه گذاری، واردات، صادرات، تورم، فلزات فولادیکلیدواژه ها: ریسک های سرمایه گذاری، واردات، صادرات، تورم، فلزات فولادی